要約
単一ドメイン汎化は、単一の訓練ドメイン（ソースドメイン）からモデルを学習し、複数の未見のテストドメイン（ターゲットドメイン）に適用することを目指しています。既存の方法では、訓練ドメインの分布をターゲットドメインに拡張することに焦点を当てていますが、ソースドメインとターゲットドメイン間のドメインシフトを推定することはありません。本論文では、新しい学習パラダイムである「シミュレート-アナライズ-リデュース」を提案します。このパラダイムでは、まず補助的なドメインをターゲットドメインとして構築してドメインシフトをシミュレートし、次にその原因を分析する方法を学習し、最後にモデル適応のためにドメインシフトを軽減する方法を学習します。このパラダイムに基づいて、メタ因果学習法を提案し、訓練中に補助的なドメインとソースドメイン間のドメインシフトの原因を推論する方法というメタ知識を学習します。テスト時には、このメタ知識を使用してターゲットドメインとソースドomain間のシフトを分析します。具体的には、ソースデータに対して複数の変換を行い補助的なドメインを作成し、反事実推論を行うことで補助的なドメインとソースドメイン間のシフトの因果要因を見つける方法を学習し、推論された因果関係を取り入れて要因認識型の領域アライメントを行います。画像分類におけるいくつかのベンチマークでの広範な実験により、当手法の有効性が示されています。