## [Generalización de Dominio](/es/node/58949) Definición 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 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 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 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 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 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 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 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 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.