초록
영역 일반화 문헌에서 일반적인 목표는 클래스 라벨을 조건으로 두고 영역에 독립적인 표현을 학습하는 것입니다. 그러나 우리는 이 목표가 충분하지 않다는 것을 보여줍니다: 클래스 조건부 영역 불변성을 만족하더라도 모델이 미처 본 적 없는 영역으로 일반화되지 않는 반례가 존재합니다. 우리는 구조적 인과 모델을 통해 이 관찰을 형식화하고, 일반화를 위해 클래스 내 변동성을 모델링하는 중요성을 강조합니다. 구체적으로, 각 클래스는 특정 인과 특징을 특징으로 하는 객체를 포함하며, 영역은 이러한 객체에 대한 개입으로 비인과 특징을 변경할 수 있습니다. 우리는 대안적인 조건을 제시합니다: 동일한 객체에서 파생된 입력은 영역 간에 동일한 표현을 가져야 합니다. 이 목표를 바탕으로, 기본 객체가 관찰되는 경우(예: 데이터 증강을 통해) 일치 기반 알고리즘을 제안하며, 객체가 관찰되지 않는 경우에는 목적함수를 근사하는 알고리즘(MatchDG)을 제안합니다. 우리의 간단한 일치 기반 알고리즘은 회전된 MNIST, Fashion-MNIST, PACS, 그리고 Chest-Xray 데이터셋에서 영역 외 정확도 측면에서 이전 연구와 경쟁력을 갖습니다. 또한 우리의 방법 MatchDG는 실제 객체 일치를 복원합니다: MNIST와 Fashion-MNIST에서 MatchDG의 상위 10개 일치 항목은 실제 일치 항목과 50% 이상의 중복률을 보입니다.