一、概念
相较于领域适应 ，领域泛化(Domain generalization)最显著的区别在于训练过程中不能访问测试集。
领域泛化的损失函数一般可以描述为以下形式：
该式分为三项：第一项
表示各训练集权重 的线性组合，其中π为使该项最小的系数；第二项
表示域间距离 ，其中
表示目标域和源域之间最小的距离、
表示源域之间两两组合的最大距离；第三项
表示理想风险(ideal joint risk)，一般情况下可以忽略。
二、分类
1.数据操作(Data manipulation)
该方法体现在对数据集的操作，主要分为数据增强 (Data augmentation)和数据生成(Data generation)
其中数据增强 主要的方式是对图像进行尺寸、颜色、亮度、对比度的调整，旋转、添加噪声等操作。可由其增强的方向分为：相关数据增强 和对抗数据增强。
数据生成主要有3种方式：VAE、GAN(对抗生成)、Mixup(混合增强)，主要的目的是增强模型的泛化能力。
2.学习表征(Representation learning)
该方法可以表征为：
通过对以上式子中各部分的学习来表征域的特征，主要方法有四种
①Kernel-based method ：传统方法，主要依赖核投射技巧
②Domain adversarial learing：对抗方法，基于对抗网络进行混淆
③Explicit feature alignment：显式的减少域之间的差异，域对齐
④Invariant risk minimization：范式方法
⑤Feature disentanglement ：解耦，提取出相同类别中共同特征
主要分为两种：1.UndoBias ：将权重分为两种
(其中
为所有域的公共特征，
为每个域私有的特征)
2.Generative modeling：使用生成网络进行解耦
3.学习策略(Learning strategy)
①Meta-learning(源学习)
将源域分解为若干个小任务
②Ensemble learning(集成学习)
认为目标域是源域的线性组合，表现在实际操作中是各种结果按照一定权重进行组合（类似于投票）