ドメイン一般化の文献において、一般的な目的はクラスラベルを条件とした後にドメインに依存しない表現を学習することである。しかし、我々はこの目的が十分でないことを示す：クラス条件付きドメイン不変性を満たしても、未見のドメインに一般化できないモデルの反例が存在する。この観察を構造的因果モデルを通じて形式化し、一般化のためにクラス内の変動をモデリングすることの重要性を示す。具体的には、各クラスは特定の因果特徴を特徴付けるオブジェクトを含み、ドメインはこれらのオブジェクトに対する介入として解釈され、非因果特徴が変化する。我々は代替的な条件を強調する：同じオブジェクトから派生した入力は、異なるドメイン間でも同じ表現を持つべきである。この目的に基づいて、ベースオブジェクトが観測される場合（例えばデータ拡張を通じて）にはマッチングベースのアルゴリズムを提案し、オブジェクトが観測されない場合には目的関数を近似する方法（MatchDG）を提案する。我々の単純なマッチングベースのアルゴリズムは、回転MNIST、Fashion-MNIST、PACS、およびChest-Xrayデータセットにおけるドメイン外精度に対して先行研究と競争力がある。また、我々の手法MatchDGは真実のオブジェクトマッチングも回復する：MNISTおよびFashion-MNISTでは、MatchDGからの上位10件のマッチングが真実のマッチングと50%以上の重複を持つ。注：- 「ドメイン一般化」: Domain Generalization- 「クラスラベル」: Class Label- 「クラス条件付きドメイン不変性」: Class-Conditional Domain Invariance- 「構造的因果モデル」: Structural Causal Model- 「非因果特徴」: Non-Causal Features- 「マッチングベースのアルゴリズム」: Matching-Based Algorithms- 「データ拡張」: Data Augmentation- 「MatchDG」: MatchDG (そのまま使用)- 「回転MNIST」: Rotated MNIST- 「Fashion-MNIST」: Fashion-MNIST- 「PACS」: PACS (そのまま使用)- 「Chest-Xrayデータセット」: Chest-Xray Dataset