配布外（OOD）の腐敗や敵対的攻撃に対する耐性は、実世界の安全性が求められるアプリケーションにおいて重要な要素です。本研究では、焦点分析に基づくニューラルネットワークの堅牢性を向上させる一般的なメカニズムを開発しました。最近の研究では、\textit{オーバーフォーカシング}という現象が明らかになっています。これは、ネットワークが小さな入力領域に主に影響を受けやすくなることで、性能低下を引き起こします。ノイズや腐敗条件下で誤分類しやすくなるため、ネットワークの堅牢性が低下します。しかし、オーバーフォーカシングを定量的に評価することはまだ不明確であり、明確な定義に欠けています。本研究では、\textbf{フォーカス}、\textbf{オーバーフォーカシング}および\textbf{アンダーフォーカシング}の数学的な定義を提供します。これらの概念は一般的ですが、本研究では特に3Dポイントクラウドの場合について調査を行いました。観察した結果によると、腐敗したセットはクリーンな訓練セットと比較して偏ったフォーカス分布を示すことがわかりました。また、フォーカス分布が訓練段階で学習されたものから乖離すると、分類性能が悪化することが確認されました。そこで、我々はすべての腐敗を同一の分布のもとに統一することを目指したパラメータフリーの\textbf{リフォーカシング}アルゴリズムを提案します。我々の研究成果は3Dゼロショット分類タスクで検証され、ModelNet-Cデータセットにおける堅牢な3D分類とShape-Invariant攻撃に対する敵対防御において最先端（SOTA）の成果を達成しました。コードは以下のURLで公開されています: https://github.com/yossilevii100/refocusing.