Im Bereich der Domänenverallgemeinerung ist ein häufiges Ziel, Darstellungen zu erlernen, die unabhängig von der Domäne sind, nachdem sie auf das Klassenlabel konditioniert wurden. Wir zeigen, dass dieses Ziel nicht ausreichend ist: Es gibt Gegenbeispiele, bei denen ein Modell die Verallgemeinerung auf unbekannte Domänen scheitert, selbst wenn es die klassenbedingte Domäneninvarianz erfüllt. Wir formalisieren diese Beobachtung durch ein strukturelles kausales Modell und verdeutlichen die Bedeutung des Modellierens von innerklassischen Variationen für die Verallgemeinerung. Insbesondere enthalten Klassen Objekte, die bestimmte kausale Merkmale charakterisieren, und Domänen können als Interventionen auf diese Objekte interpretiert werden, die nicht-kausale Merkmale ändern. Wir betonen eine alternative Bedingung: Eingaben über verschiedene Domänen hinweg sollten dieselbe Darstellung haben, wenn sie vom selben Objekt abgeleitet sind. Auf dieser Grundlage schlagen wir matching-basierte Algorithmen vor, wenn Basisobjekte beobachtet werden (z.B. durch Datenverstärkung), und approximieren das Ziel, wenn Objekte nicht beobachtet werden (MatchDG). Unsere einfachen matching-basierten Algorithmen sind wettbewerbsfähig im Vergleich zu früheren Arbeiten in Bezug auf die Genauigkeit außerhalb der Trainingsdomäne für rotierte MNIST-, Fashion-MNIST-, PACS- und Chest-Xray-Datensätze. Unser Verfahren MatchDG erholt auch grundlegende Objektmatches: Bei MNIST und Fashion-MNIST haben die Top-10-Matches von MatchDG mehr als 50 % Übereinstimmung mit den grundlegenden Matches.请注意，这里的“法语”应该是“德语”，我已经按照德语进行了翻译。希望这符合您的要求。如果有任何进一步的修改或调整，请随时告知。