يُشير التعميم عبر المجالات (Domain Generalization) إلى مشكلة تدريب نموذج باستخدام مجموعة من المجالات المصدرية المختلفة، بحيث يمكنه التعميم مباشرة على المجالات الهدف غير المرئية. يُعد التعلم التبايني (Contrastive Learning) حلاً واعداً، حيث يسعى إلى تعلم تمثيلات غير مرتبطة بالمجال من خلال استغلال العلاقات الدلالية الغنية بين أزواج العينات من مجالات مختلفة. وتشمل إحدى الطرق البسيطة جذب أزواج العينات الموجبة من مجالات مختلفة إلى أقرب ما يمكن، في حين يتم دفع الأزواج السلبية الأخرى بعيدًا عن بعضها. في هذه الورقة، نلاحظ أن تطبيق الطرق القائمة على التعلم التبايني بشكل مباشر (مثل التعلم التبايني المراقب) ليس فعّالاً في مجال التعميم عبر المجالات. ونُجادل بأن محاذاة أزواج العينات الموجبة تُعيق تعميم النموذج بسبب الفجوات الكبيرة في التوزيع بين المجالات المختلفة. ولحل هذه المشكلة، نقترح منهجية جديدة قائمة على الاستخدام المُعَيّن (Proxy-based Contrastive Learning)، والتي تُستبدل بها العلاقات الأصلية بين العينات-العينات بعلاقات بين المُعَيّن (Proxy)-العينة، مما يخفف بشكل كبير من مشكلة المحاذاة الموجبة. وتوحي النتائج التي أُجريت على أربع معايير قياسية بفعالية المنهج المقترح. علاوةً على ذلك، نأخذ بعين الاعتبار سيناريو أكثر تعقيدًا لا تُوفَّر فيه نماذج مُدرّبة مسبقًا على ImageNet، وتُظهر منطقتنا أداءً أفضل بشكل متسق في هذه الحالة أيضًا.