ドメイン一般化（Domain Generalization）は、複数のソースドメインから学習することで、未観測のターゲットドメインにも一般化可能な予測モデルを構築することを目的としている。ドメイン一般化における重要な課題の一つは、ドメインに依存しない判別性の高い特徴を学習することである。この目的を達成するために、一部の手法では敵対的学習を用いてドメイン識別器を導入し、複数のソースドメインにおける特徴分布を一致させる。しかし、敵対的学習は学習された特徴がマージナル分布に関して不変であることを保証するにとどまり、新しいドメインにおける予測においてより重要である条件付き分布の不変性を保証するものではない。本研究では、学習された特徴とクラスラベルの間の依存関係を測定するエントロピー正則化項を提案することで、学習された特徴の条件付き不変性を確保する。この正則化項を、分類タスクに特化した一般的な損失関数（例：交差エントロピー損失）およびドメイン識別に用いる敵対的損失と組み合わせることで、すべてのソースドメインにおいて条件付き不変な特徴を学習することが保証され、結果としてより優れた一般化性能を示す分類器の学習が可能となる。本手法の有効性は、シミュレートデータおよび実世界データを用いた最新の手法との比較により実証された。実装コードは以下のURLから公開されている：https://github.com/sshan-zhao/DGviaER。