要約
マルチドメイン一般化（mDG）は、訓練分布とテスト分布の乖離を最小化し、マージナル分布からラベル分布へのマッピングを強化することを普遍的な目的としている。しかし、既存のmDG研究では一般的な学習目的の枠組みが欠如しており、しばしば静的なターゲットマージナル分布に制約を課すことが一般的である。本研究では、$Y$-マッピングを活用することでこの制約を緩和することを提案する。mDGのための学習目的を再考し、既存の多くのmDGの知見を解釈・分析可能な新たな一般化学習目的を設計した。この一般化目的は、2つの相互に補完的な目的に分岐する：ドメインに依存しない条件付き特徴の学習と、事後確率の最大化である。さらに、事前知識を組み込み、不適切な因果関係を抑制する有効な正則化項を導入し、制約の緩和に伴う問題を軽減した。理論的に、ドメインに依存しない条件付き特徴のドメイン整合性に関する上界を導出し、多くの既存のmDGアプローチが実際には目的の一部しか最適化しておらず、その結果、性能の限界に至っていることを明らかにした。本研究により、一般化学習目的を4つの実用的な構成要素に精製し、複雑なドメインシフトに対応する普遍的で堅牢かつ柔軟なメカニズムを提供した。広範な実証実験の結果、$Y$-マッピングを用いた提案された目的は、回帰、セグメンテーション、分類を含むさまざまな下流タスクにおいて、著しく優れたmDG性能を達成することが示された。