要約
ドメイン一般化（Domain Generalization）は、異なる未観測のドメインにおいても堅牢に動作する機械学習モデルの構築を目指す。近年のいくつかの手法では、複数のデータセットを用いてドメイン不変特徴（domain-invariant features）を抽出するモデルを学習することで、未観測ドメインへの一般化を図っている。本研究では、このアプローチとは異なり、特定のドメインに依存する表現を明示的に学習する。具体的には、各ドメイン固有の統計情報を収集するための特別設計されたバッチ正規化（batch normalization）層を導入する。次に、これらの統計情報を用いて、ドメインを共有の潜在空間（shared latent space）にマッピングする手法を提案する。この潜在空間内では、ドメインへの所属関係を距離関数を用いて測定可能となる。テスト時においては、未知ドメインからのサンプルを同様の空間に射影し、既知ドメインの線形結合としてそのドメインの性質を推定する。訓練時とテスト時において同一のマッピング戦略を適用することで、潜在表現と、強力かつ軽量なアンサンブルモデルの両方を同時に学習する。提案手法は、代表的なドメイン一般化ベンチマークであるPACS、Office-31、Office-Caltechにおいて、現在の最先端手法と比較して顕著な分類精度の向上を示した。