Métodos que entrenan modelos para generalizar a dominios objetivo no vistos aprendiendo representaciones, invariancias o reglas de decisión que sean robustas a través de múltiples dominios fuente sin acceso a datos objetivo.

Principio

Fomentar el aprendizaje de características invariantes al dominio o componentes del modelo exponiendo al aprendiz a fuentes diversas o mediante regularización explícita, para que el rendimiento se transfiera a contextos nuevos pero relacionados.

Demostración

Entrenar un clasificador de imágenes con fotos tomadas por varios sensores y condiciones de iluminación diferentes (varios dominios fuente) y un objetivo de entrenamiento que penaliza características específicas del dominio; el clasificador funciona razonablemente en imágenes de un nuevo sensor que nunca vio.

Aplicación incorrecta

Suponer que entrenar con muchas fuentes diversas garantiza la generalización a cualquier dominio no visto, ignorando distribuciones objetivo fuera del soporte o cambios sistemáticos en la función de etiquetas que no se resuelven solo con invariancia de representación.

Consecuencia

La generalización de dominio exitosa produce modelos que requieren menos adaptación ante entornos novedosos; sin embargo, la confianza excesiva puede llevar a una monitorización descuidada y a despliegues frágiles.

Inversión

Especialización por dominio o sobreajuste: optimizar exclusivamente para los dominios fuente observados de modo que el modelo capture pistas idiosincráticas no transferibles y falle en cualquier nuevo dominio.

Límite

Apunta al escenario zero-shot o few-shot donde no hay datos etiquetados del objetivo durante el entrenamiento; no cubre situaciones en las que hay etiquetas objetivo accesibles y la adaptación es factible y a menudo preferible.

Tensión semántica

Está estrechamente relacionado con optimización robusta y aprendizaje de representaciones invariantes; la tensión está entre maximizar el rendimiento en el peor caso sobre dominios hipotéticos y optimizar el rendimiento medio sobre fuentes conocidas.

Síntesis

La generalización de dominio es la estrategia de moldear los sesgos inductivos de un modelo mediante exposición multi‑fuente o penalizaciones de invariancia para que las reglas de decisión aprendidas sigan siendo útiles en dominios no vistos pero relacionados, reconociendo límites cuando la tarea o el soporte cambian fundamentalmente.