Die Generalisierungsfähigkeit von Maschinenlernmodellen – also die Fähigkeit, Wissen für einen „unbekannten“ Domänenbereich durch Lernen aus einer oder mehreren „gesehenen“ Domänen zu übertragen – ist von entscheidender Bedeutung für die Entwicklung und den Einsatz von Maschinenlernanwendungen unter realen Bedingungen. Domain Generalization (DG)-Techniken zielen darauf ab, diese Generalisierungsfähigkeit von Modellen zu verbessern, wobei die gelernten Merkmalsrepräsentationen und der Klassifikator zwei zentrale Faktoren darstellen, die die Generalisierungsfähigkeit steigern und Entscheidungen ermöglichen. In diesem Artikel stellen wir Discriminative Adversarial Domain Generalization (DADG) mit meta-learning-basierter, cross-domain-Validierung vor. Unser vorgeschlagener Ansatz besteht aus zwei Hauptkomponenten, die synergistisch arbeiten, um ein domänenunabhängiges DNN-Modell zu konstruieren: (i) diskriminative adversarische Lernverfahren, die proaktiv eine generalisierte Merkmalsrepräsentation auf mehreren „gesehenen“ Domänen erlernen, und (ii) meta-learning-basierte cross-domain-Validierung, die durch Anwendung von Meta-Lernverfahren im Trainingsprozess einen Trainings-/Test-Domänenverschiebungseffekt simuliert. In der experimentellen Evaluierung wurde unser Ansatz umfassend mit anderen bestehenden Ansätzen auf drei Benchmark-Datensätzen verglichen. Die Ergebnisse zeigen, dass DADG konsistent die starke Baseline DeepAll übertrifft und in den meisten Evaluierungsfällen auch die anderen existierenden DG-Algorithmen übertrifft.