초록
단일 도메인 일반화는 단일 훈련 도메인(원본 도메인)에서 모델을 학습하고 이를 여러 미확인 테스트 도메인(대상 도메인)에 적용하는 것을 목표로 합니다. 기존 방법들은 원본 도메인의 분포를 대상 도메인을 포함하도록 확장하는 데 중점을 두고 있지만, 원본과 대상 도메인 간의 도메인 시프트를 추정하지 않습니다. 본 논문에서는 새로운 학습 패러다임, 즉 시뮬레이트-분석-감소(simulate-analyze-reduce)를 제안합니다. 이 패러다임은 먼저 보조 도메인을 대상 도메인으로 구축하여 도메인 시프트를 시뮬레이션한 후, 도메인 시프트의 원인이 되는 요소들을 분석하는 방법을 학습하고, 마지막으로 모델 적응을 위해 도메인 시프트를 감소시키는 방법을 학습합니다. 이러한 패러다임 하에서, 우리는 메타 인과학습 방법을 제안하여 메타 지식, 즉 훈련 중 보조 도메인과 원본 도메인 간의 도메인 시프트 원인을 추론하는 방법을 학습합니다. 테스트 중에는 이 메타 지식을 사용하여 대상 도메인과 원본 도메인 간의 시프트를 분석합니다. 구체적으로, 우리는 소스 데이터에 여러 변환을 수행하여 보조 도メイン을 생성하고, 반사실적 추론(counterfactual inference)을 통해 보조와 원본 도メイン 간의 시フ트 인과요소를 발견하는 방법을 학습하며, 추론된 인과관계를 요소 인식형(factor-aware) 도メイン 정렬에 통합합니다. 이미지 분류 벤치마크 여러 가지에 대한 광범위한 실험 결과가 우리 방법의 효과성을 입증하였습니다.