تهدف التعميم النطاقي (Domain Generalization) إلى تدريب نماذج التعلم الآلي للعمل بكفاءة عالية عبر نطاقات مختلفة وغير معروفة مسبقًا. استخدمت عدة طرق حديثة مجموعات بيانات متعددة لتدريب النماذج على استخلاص ميزات غير تعتمد على النطاق (domain-invariant features)، بهدف تحقيق تعميم جيد على النطاقات غير المرئية. بدلًا من ذلك، نحن أولًا نُدرِّب تمثيلات تعتمد على النطاق (domain-dependant representations) بشكل صريح، باستخدام طبقات تطبيع حسب المجموعة (batch normalization) مخصصة لجمع الإحصائيات المستقلة لكل نطاق. ثم نقترح استخدام هذه الإحصائيات لرسم خريطة النطاقات إلى فضاء خطي مشترك، حيث يمكن قياس الانتماء إلى نطاق معين باستخدام دالة المسافة. في وقت الاختبار، نُرَمِّز العينات القادمة من نطاق غير معروف إلى نفس الفضاء، ونستنتج خصائص هذا النطاق كمزيج خطي من النطاقات المعروفة. ونُطبِّق نفس استراتيجية التحويل في مرحلة التدريب والاختبار، مما يسمح لنا بتعلم تمثيل خطي مشترك، بالإضافة إلى نموذج تجميع قوي لكنه خفيف الوزن. ونُظهر تحسنًا ملحوظًا في دقة التصنيف مقارنةً بأحدث التقنيات في معايير التعميم النطاقي الشهيرة: PACS، Office-31، وOffice-Caltech.