La généralisation de domaine (domain generalization, DG) vise à apprendre un modèle généralisé pouvant s'appliquer à un domaine cible inconnu, à partir de sources de données limitées. Les approches antérieures à la DG échouent à extraire des représentations invariantes au domaine uniquement à partir des domaines sources, en raison des écarts de domaine importants entre les domaines d'entraînement et de test. À la place, nous reformulons l'objectif de la DG en utilisant l'information mutuelle avec un modèle oracle, c’est-à-dire un modèle généralisé à tout domaine possible. Nous dérivons une borne inférieure variationnelle tractable en approximant le modèle oracle par un modèle pré-entraîné, ce qui donne lieu à une méthode appelée Mutual Information Regularization with Oracle (MIRO). Nos expériences étendues montrent que MIRO améliore significativement les performances hors distribution. De plus, nos expériences d’échelle révèlent que plus le modèle pré-entraîné est grand, plus l’amélioration des performances apportée par MIRO est importante. Le code source est disponible à l’adresse suivante : https://github.com/kakaobrain/miro.