合成一般化は現代の機械学習における重要な課題であり、モデルは既知の概念の未知の組み合わせを予測する必要があります。しかし、この評価は標準化されたプロトコルの欠如や、効率重視の現在のベンチマークの制限から困難です。本論文では以下の内容が紹介されています。1) 以前のアプローチを統一し、計算要件を組合せから定数に削減する厳密な評価フレームワークの導入。2) 5000以上のモデルを訓練し、監視付きビジョンバックボーンにおける合成一般化の状態を広範囲に評価。3) 属性不変ネットワークという新しいモデルクラスを提案し、基準と比較して23.43％の精度向上を達成しつつ、パラメータオーバーヘッドを600％から16％に削減。これにより、合成一般化の新たなパレートフロンティアが示されました。