機械学習モデルの一般化能力とは、一つまたは複数の「観測済み」ドメインから学習することで、「未観測」ドメインに対する知識の拡張を可能にする能力を指し、実世界における機械学習応用の開発および展開において極めて重要である。ドメイン一般化（Domain Generalization, DG）技術は、このような一般化能力を強化することを目的としており、学習された特徴表現と分類器の両方が、一般化性能の向上および意思決定の精度に大きな影響を与える重要な要素である。本論文では、メタ学習を用いたクロスドメイン検証を組み込んだ「判別的対抗的ドメイン一般化（Discriminative Adversarial Domain Generalization, DADG）」を提案する。本提案フレームワークは、ドメイン一般化DNNモデルの構築を効果的に行うために協調的に機能する二つの主要な構成要素からなる：(i) 判別的対抗学習（discriminative adversarial learning）により、複数の「観測済み」ドメイン上で一般化された特徴表現を積極的に学習し、(ii) メタ学習を用いたクロスドメイン検証により、学習プロセス中にメタ学習技術を活用して訓練／テストドメイン間のシフトを模擬する。実験評価において、提案手法と他の既存手法を3つのベンチマークデータセット上で包括的に比較した結果、DADGは強力なベースライン手法であるDeepAllを常に上回り、他の既存DGアルゴリズムと比較しても大多数の評価ケースで優れた性能を示した。