광혈류 측정센서(PPG) 신호를 사용한 기계 학습 기반 혈압(BP) 추정은 비침습적인 성격과 지속적인 모니터링 능력으로 인해 많은 주목을 받고 있다. 하지만 고위험 혈압군에 대한 모니터링의 중요성에도 불구하고, 혈압군 간의 성능 차이로 인해 실생활에 PPG 기반 혈압 추정을 적용하는 데에는 여전히 어려움이 남아 있다. 본 논문에서는 불균형한 혈압군을 대상으로 강건한 혈압 예측 모델을 구축하기 위한 다양한 방법을 제안한다. 구체적으로, 데이터, 모델, 최적화 관점에서 동시에 접근하여 전체적인 성능을 향상시킴과 동시에 특정 혈압군인 워스트 그룹에서의 성능 저하를 완화하는 방법을 제시한다. 데이터 관점에서는 그룹 내 데이터 증강 기법인 'Time-Cutmix'를 도입하여 데이터 수준에서 그룹 간 불균형의 심각성을 완화한다. 모델 관점에서는 합성공 신경망과 Transformer 인코더층의 결합 구조를 채택하여 지역적 및 전역적 정보를 고려해 전체적인 혈압 예측의 성능을 향상시켰다. 마지막으로, 각 혈압군의 데이터 양과 레이블 분포를 고려한 강건한 최적화 기법을 제안한다. 이러한 방법들은 특정 혈압군의 성능 저하를 완화하면서도 평균과 워스트 그룹 성능 사이의 교환관계를 발생시키지 않았다. 제안된 방법들을 바탕으로 강건한 혈압 추정 모델을 성공적으로 개발함을 실험을 통해 보였다.