摘要

在领域泛化（Domain Generalization）的研究文献中，一个常见的目标是在给定类别标签的条件下学习与领域无关的表示。我们证明了这一目标并不充分：存在反例表明，即使满足了类条件下的领域不变性，模型仍然无法泛化到未见过的领域。我们通过结构因果模型对这一观察进行了形式化，并展示了建模类内变化对于泛化的重要性。具体而言，每个类别包含表征特定因果特征的对象，而领域可以被解释为对这些对象进行干预，从而改变非因果特征。我们强调了一个替代条件：如果输入来自同一对象，则它们在不同领域的表示应该是相同的。基于这一目标，当基础对象可观察时（例如，通过数据增强），我们提出了匹配算法；当对象不可观察时，我们则近似实现该目标（MatchDG）。我们的简单匹配算法在旋转MNIST、Fashion-MNIST、PACS和胸部X光数据集上的域外准确性方面与先前的工作具有竞争力。此外，我们的方法MatchDG还能够恢复真实的对象匹配：在MNIST和Fashion-MNIST数据集中，MatchDG生成的前10个匹配中有超过50%与真实匹配重叠。