Domain Generalization 领域泛化

一句话解释

领域泛化（Domain Generalization）是让机器学习模型在多个不同但相关的训练域上学到通用知识，从而在未见过的新测试域上也能正常工作。简单说就是“见多识广，举一反三”，不需要重新训练就能适应陌生环境。

为什么会被关注

现实世界中数据分布几乎不可能和训练数据完全一致。比如自动驾驶训练于晴天，测试时遇到雨雪；医疗AI训练于A医院，部署到B医院。这种“分布偏移”会导致模型准确率断崖式下降，领域泛化正是为此而生。

传统解决方案（如领域自适应）需要访问目标域的部分数据，而领域泛化完全不依赖目标域样本，更贴近实际部署需求。近年来大模型落地加速，企业越来越需要模型在生产环境中保持稳定，该方向因此成为研究热点。

核心逻辑

核心思路是迫使模型忽略不同领域间的表面差异（如颜色、纹理），只捕捉与任务真正相关的、跨领域不变的因果特征。常用方法包括：多源域对齐、数据增强、元学习、对抗训练以及基于因果推理的解耦。

例如，在图像分类中，模型需要学“形状”而非“背景色”。通过多个不同背景的训练集（源域）增强，迫使特征提取器只关注物体轮廓。训练完成后，即便遇到全新背景的目标域，模型仍能正确识别。

常见场景

计算机视觉：行人重识别、面部表情识别、遥感图像分析。模型在不同摄像头、光照、角度下需保持识别率。自动驾驶中，从模拟器到真实场景的迁移也依赖此技术。

自然语言处理：情感分类在不同评论文本风格、语法习惯下的泛化。医疗影像分析：模型在不同品牌设备、医院采集的X光片或病理切片上保持诊断精度。工业质检：产品外观因批次、生产线不同而变化。

容易混淆的点

领域泛化（Domain Generalization）与领域自适应（Domain Adaptation）常被混用。核心区别在于：自适应允许使用少量目标域样本（有监督或无监督），而泛化在训练阶段完全看不到任何目标域数据。

另一个易混淆概念是“分布外检测”（OOD Detection），后者不要求模型在新域上输出准确预测，只需判断输入是否属于已知分布；而领域泛化要求模型输出正确结果。此外，元学习（Meta-Learning）只是实现领域泛化的手段之一，并非唯一路径。