域泛化(DG)的目的是训练一个模型，从多个观测源域，以更好地执行不可见的目标域。为了获得泛化能力，以往的DG方法都侧重于跨源提取领域不变信息来泛化目标领域，而通常忽略与单个领域标签密切相关的有用领域特定信息和对目标领域的泛化。在本文中，我们提出了元领域特定的领域不变式(mDSDI)——一个新的理论上合理的框架，它扩展了不变性视图，进一步捕获领域特定信息的有用性。我们的关键观点是在一个统一的框架中共同学习领域不变和领域特定特征的同时，解开潜在空间中的特征。通过元学习框架优化了特定领域的表示，以适应源领域，针对未见领域的鲁棒泛化。我们的经验表明，mDSDI在DG提供了具有竞争力的结果与最先进的技术。使用我们生成的数据集(Background-Colored-MNIST)进行的进一步消融研究，证实了领域特异性至关重要的假设，与仅使用领域不变量相比，可以获得更好的结果。

https://arxiv.org/abs/2110.09410