분포 외(OOD) 오염과 적대적 공격에 대처할 수 있는 능력은 실제 세계에서 안전성이 요구되는 응용 프로그램에서 매우 중요합니다. 본 연구에서는 주의 분석(focus analysis)을 기반으로 신경망의 견고성을 향상시키는 일반적인 메커니즘을 개발하였습니다.최근 연구들은 \textit{과도한 집중(Overfocusing)} 현상을 밝혀냈는데, 이는 성능 저하를 초래합니다. 네트워크가 작은 입력 영역에 주로 영향을 받으면 노이즈와 오염에 대해 견고성이 떨어지고 잘못 분류될 가능성이 증가합니다.그러나 과도한 집중을 정량화하는 것은 아직 모호하며 명확한 정의가 부족합니다. 본 연구에서는 \textbf{주의(focus)}, \textbf{과도한 집중(overfocusing)}, 그리고 \textbf{집중 부족(underfocusing)}의 수학적 정의를 제공합니다. 이러한 개념들은 일반적이지만, 본 연구에서는 특히 3D 포인트 클라우드의 경우를 조사하였습니다.우리는 오염된 세트가 깨끗한 학습 세트와 비교하여 편향된 주의 분포를 생성한다는 것을 관찰하였습니다. 주의 분포가 학습 단계에서 배운 것과 벗어날수록 분류 성능이 저하됨을 보였습니다.따라서, 모든 오염을 동일한 분포 하에 통합하기 위한 매개변수 없는 \textbf{재집중(refocusing)} 알고리즘을 제안합니다. 우리는 3D 제로샷(zero-shot) 분류 작업에서 우리의 결과를 검증하였으며, ModelNet-C 데이터셋에서 견고한 3D 분류 및 Shape-Invariant 공격에 대한 적대적 방어에서 최신 기술(SOTA) 성능을 달성하였습니다. 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/yossilevii100/refocusing.