本文提出了一种新框架IRSS，旨在解决超域泛化中的样式分布偏移和虚假特征问题。通过对抗神经网络和多环境优化，IRSS有效分离样式分布，提升模型在分布迁移下的鲁棒性和泛化能力。研究表明，虚假相关性会降低模型对野外数据的识别能力，提出了新方法以降低其影响，并探讨了因果模型在数据转移中的应用。