Methoden, die Modelle so trainieren, dass sie auf ungesehene Ziel‑Domänen generalisieren, indem sie Repräsentationen, Invarianzen oder Entscheidungsregeln lernen, die über mehrere Quell-Domänen hinweg robust bleiben, ohne Zugriff auf Ziel‑Daten.

Prinzip

Fördere das Lernen domäneninvarianter Merkmale oder Modellkomponenten durch Exposition gegenüber vielfältigen Quellen oder durch explizite Regularisierung, sodass die Leistung auf neue, verwandte Kontexte übertragbar ist.

Demonstration

Ein Bildklassifikator wird auf Fotos trainiert, die mit mehreren verschiedenen Kamerasensoren und Beleuchtungsbedingungen aufgenommen wurden (mehrere Quell‑Domänen), mit einer Zielfunktion, die domänenspezifische Merkmale bestraft; der Klassifikator erzielt akzeptable Ergebnisse auf Bildern eines neuen Sensors, den er nie gesehen hat.

Fehlanwendung

Davon auszugehen, dass das Training an vielen diversen Quellen die Generalisierung auf beliebige ungesehene Domänen garantiert, und dabei grundlegende Out‑of‑Support‑Zielverteilungen oder systematische Änderungen der Labelfunktion zu ignorieren, die sich nicht allein durch Repräsentationsinvarianz beheben lassen.

Konsequenz

Erfolgreiche Domänen‑Generalisation liefert Modelle, die bei neuen Umgebungen weniger Anpassung benötigen; übermäßiges Vertrauen in die Generalisierung kann jedoch zu vernachlässigtem Monitoring und brüchiger Produktion führen.

Umkehrung

Domänen­Spezialisierung oder Overfitting: ausschließliche Optimierung für beobachtete Quell‑Domänen, sodass das Modell idiosynkratische, nicht übertragbare Hinweise lernt und auf neuen Domänen versagt.

Abgrenzung

Adressiert Zero‑Shot‑ oder Few‑Shot‑Szenarien, in denen während des Trainings keine gelabelten Zieldaten verfügbar sind; umfasst nicht Szenarien, in denen Ziel‑Labels zugänglich sind und Anpassung oft vorzuziehen ist.

Semantische Spannung

Eng verwandt mit robustem Optimieren und invariantem Repräsentationslernen; die Spannung besteht zwischen der Maximierung worst‑case‑Performance über hypothetische Domänen und der Optimierung der durchschnittlichen Performance über bekannte Quellen.

Synthese

Domänen‑Generalisation ist die Strategie, die induktiven Biases eines Modells durch Multi‑Source‑Exposition oder Invarianz‑Strafen so zu formen, dass gelernte Entscheidungsregeln in ungesehenen, verwandten Domänen brauchbar bleiben, wobei Grenzen anerkannt werden, wenn Aufgabe oder Support grundlegend wechseln.