도메인 일반화(Domain Generalization, DG)는 학습(소스) 도메인에서뿐만 아니라 새로운, 미처 경험하지 못한 타겟 데이터 분포에서도 우수한 성능을 발휘하는 모델을 학습하는 것을 목표로 한다. DG의 핵심 과제 중 하나는 소스 도메인에 대한 과적합(overfitting)을 방지하는 것이다. 이는 손실 곡면(loss landscape) 내에서 더 평탄한 최소값(flatter minima)을 찾음으로써 완화될 수 있다. 본 연구에서는 도메인 일반화를 위한 양자화 인식 학습(Quantization-aware Training for Domain Generalization, QT-DoG)을 제안하며, 가중치 양자화가 손실 곡면 내에서 평탄한 최소값을 효과적으로 유도함으로써 도메인 일반화 성능을 향상시킨다는 점을 입증한다. 기존의 모델 압축에 초점을 맞춘 전통적인 양자화 방법과 달리, QT-DoG는 가중치에 노이즈를 유도함으로써 양자화를 암묵적인 정규화 항(regularizer)으로 활용한다. 이를 통해 최적화 과정이 외부 변동이나 노이즈에 덜 민감하고 과적합이 적은 평탄한 최소값 방향으로 유도된다. 우리는 이론적 분석과 실험적 증거를 통해 양자화가 본질적으로 평탄한 최소값을 촉진함으로써 도메인 간 일반화 성능을 향상시킨다는 점을 입증한다. 또한 양자화를 통해 모델 크기를 줄일 수 있는 이점을 활용하여, 여러 양자화된 모델의 앙상블(ensemble)이 계산 및 메모리 오버헤드 없이 최신 DG 방법보다 더 높은 정확도를 달성함을 보여준다. 광범위한 실험을 통해 QT-DoG가 다양한 데이터셋, 아키텍처, 양자화 알고리즘에 걸쳐 일반화 가능하며, 다른 DG 기법과도 유연하게 결합 가능함을 확인하였으며, 이는 본 방법의 유연성과 강건성을 입증한다.