في مهام التعميم عبر المجالات (Domain Generalization - DG)، يتم تدريب النماذج باستخدام بيانات التدريب فقط من المجالات المصدرية لتحقيق التعميم على مجال مستهدف غير مرئي، إلا أن هذا النهج يعاني من مشكلة الانزياح في التوزيع. لذا، من المهم تعلُّم فئة تصنيف تركز على التمثيل المشترك الذي يمكن استخدامه لتصنيف البيانات عبر مجالات متعددة، بحيث تتمكن هذه الفئة من تحقيق أداء عالي على مجال مستهدف غير مرئي. وبفضل النجاح الذي حققته الانتباه المتقاطع (cross attention) في مهام متعددة الأنواع، لاحظنا أن الانتباه المتقاطع يُعد آلية قوية لمحاذاة الميزات المستمدة من توزيعات مختلفة. لذلك، قمنا بتصميم نموذج يُسمى CADG (الانتباه المتقاطع للتعميم عبر المجالات)، حيث يلعب الانتباه المتقاطع دورًا محوريًا في معالجة مشكلة الانزياح في التوزيع. ويؤدي هذا التصميم إلى تمكين الفئة من التكيف مع مجالات متعددة، مما يضمن تعميمًا جيدًا على مجالات غير مرئية. وأظهرت التجارب أن الطريقة المقترحة تحقق أداءً من الدرجة الأولى (state-of-the-art) على مجموعة متنوعة من معايير التعميم عبر المجالات مقارنةً بغيرها من النماذج الأحادية، بل ويمكنها حتى تجاوز أداء بعض الطرق القائمة على التجميع (ensemble-based methods).