심층 신경망 (Deep Neural Networks) 기반의 분류기들은 다양한 도메인에서 강력한 성능을 보여주지만, 가짜 상관관계 (spurious correlations), 즉 훈련 데이터에서는 타겟 레이블을 예측할 수 있지만 인과적으로 연결되어 있지 않아 일반화에 실패하는 특징들에 의존할 경우 치명적인 실패를 겪을 수 있습니다. 시각 (vision) 도메인의 경우, 이러한 많은 가짜 상관관계는 이미지의 배경 내에서 나타나며, 여기서는 오직 전경 (foreground)만이 클래스 레이블을 예측하는 역할을 합니다. 본 논문에서는 분류기가 이러한 가짜 배경에 의존하는 것을 줄이기 위해 자동 배경 교체 (Automated Background Swapping, AutoBackSwap)를 소개합니다. AutoBackSwap는 보조 네트워크를 사용하여 전경과 배경을 분리 (disentangle)한 다음, 인페인팅 (infilling)을 통해 완전한 배경을 합성하며, 마지막으로 서로 다른 전경과 인페인팅된 배경을 결합하여 훈련 데이터를 증강 (augment)합니다. 우리는 단 몇 백 개의 샘플에 대한 패치 단위 레이블링 (patch-wise labeling)만으로도 보조 네트워크를 훈련시키고, 도전적인 이미지 분류 작업에서 전체 훈련 데이터셋을 자동으로 증강시키기에 충분하다는 것을 발견했습니다. 이전의 많은 방법들과 대조적으로, AutoBackSwap은 훈련 데이터에 가짜 상관관계를 깨뜨리는 샘플이 단 하나도 없는 경우에도 매우 효과적임을 입증합니다. 가짜 배경이 존재하는 다양한 이미지 분류 작업 전반에 걸쳐, AutoBackSwap은 기존 방법들보다 일관되게 우수한 성능을 보여줍니다.