Domain Generalization（DG：域泛化）一直以来都是各大顶会的热门研究方向。DA 假设我们有多个个带标签的训练集（源域），这时候我们想让模型在另一个数据集上同样表现很好（目标域），但是在训练过程中根本不知道目标域是什么，这个时候如何提升模型泛化性呢？核心在于如何利用多个源域带来的丰富信息。本文通过ICML 2022 域泛化相关的四篇文章来研究最新的进展。

本文介绍的第一篇工作 DNA 从理论和实现上将 classifier ensembling 引入 OOD 问题并给出了一个新的 target error upper bound，第二篇文章尝试着将传统的 sample reweighting 方法和 DRO 这类 bi-level optimization 方法的优势进行结合，使用二层优化的方法寻找更好的 reweighting 权重，第三篇文章针对 IRM 最被人诟病的点，即大数据集不 work 来进行，将稀疏性这一点引入 OOD。最后一篇将平滑性约束引入 DAL 从而提升对抗学习在迁移过程中的效果。

四篇文章用了四种不同的工具，总的来看大家都在找不同的切入点来解决 OOD 问题，实际上目前大多数研究可能都与 OOD 有着千丝万缕的联系，还有更多的研究空间等待探索。

内容中包含的图片若涉及版权问题，请及时与我们联系删除