Einzelbereichs-Verallgemeinerung (Single Domain Generalization) strebt danach, ein Modell anhand eines einzigen Trainingsbereichs (Quellbereich) zu trainieren und es auf mehrere unbekannte Testbereiche (Zielbereiche) anzuwenden. Bestehende Methoden konzentrieren sich darauf, die Verteilung des Trainingsbereichs so zu erweitern, dass sie die Zielbereiche abdeckt, ohne jedoch den Bereichsshift zwischen Quell- und Zielbereichen zu schätzen. In dieser Arbeit schlagen wir ein neues Lernparadigma vor, nämlich simulieren-analysieren-reduzieren. Zunächst wird der Bereichsshift durch Erstellung eines Hilfsbereichs als Zielbereich simuliert, dann lernt das Modell die Ursachen des Bereichsshifts zu analysieren und schließlich lernt es, den Bereichsshift für die Anpassung des Modells zu reduzieren. Innerhalb dieses Paradigmas entwickeln wir eine meta-kausale Lernmethode, um Meta-Wissen zu erlernen, das heißt, wie man während des Trainings die Ursachen des Bereichsshifts zwischen dem Hilfs- und dem Quellbereich ableitet. Wir verwenden dieses Meta-Wissen, um während des Testens den Shift zwischen Ziel- und Quellbereich zu analysieren. Speziell führen wir mehrere Transformationen am Quelldatensatz durch, um den Hilfsbereich zu generieren, wenden kausale Inferenz an, um die kausalen Faktoren des Shifts zwischen dem Hilfs- und dem Quellbereich zu entdecken, und integrieren die abgeleitete Kausalität in faktor-bewusste Berechnungsanpassungen. Ausführliche Experimente auf mehreren Benchmarks der Bildklassifizierung zeigen die Effektivität unserer Methode.