在给定描述不同领域 / 分布共享的数据生成过程的因果图的基础上，通过强制执行足够的图推断条件独立性可以确定领域通用（非虚假的）特征表示。针对标准的输入 - 输出预测设置，我们将文献中考虑的图集合分类为两个不同的组：（i）那些在训练领域中的经验风险最小化器给出领域通用表示和（ii）那些不给出的情况。对于后一种情况（ii），我们提出了一个新的具有正则化的框架，该框架在没有关于虚假特征的先验知识（或代理）的情况下证明了足够用于确定领域通用特征表示。在实证方面，我们的提出的方法在（半）合成和真实数据方面表现出色，优于其他最先进的方法的平均和最差领域转移准确性。

Apr, 2024

本文提出了一种基于因果关系的结构性因果模型来解决域泛化问题，并基于此提出了一种 Causality Inspired Representation Learning （CIRL）算法，该算法通过计算需满足的三个基本属性来强制表示满足因果机制的性质，进而提升了广义性能力。实验结果表明，该方法有效。

Mar, 2022

通过从样本和特征角度出发，强调相关联系并消除不相关联系，我们提出了两个模块，用于提高模型的泛化能力，从而获得跨多个领域的领域不变表示，实验结果表明，嵌入这两个模块的卷积神经网络（CNNs）或多层感知机（MLPs）能够取得优秀的结果，例如在 Digits-DG 上的平均准确率为 92.30%。

Jan, 2024

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023

在这篇论文中，我们研究了特定概念下的领域转移下的表示学习，该表示学习方法需要同时考虑因果不变性和 “反因果” 结构，并且可以有效地处理实际世界的分类问题。我们证明了如何将因果假设转化为学习原则，分解 “不变” 和 “非稳定” 特征以获得更好的预测结果。实验结果表明了所提算法的有效性。

Jul, 2022

本论文表明，领域泛化的目标不仅仅是考虑到类别标签，还包括特定因果特征，并提出了一种基于匹配的算法来实现该目标，该算法通过数据增强的方式观察基本对象并近似目标结果，结果表明该算法优于先前方法。

Jun, 2020

本研究提出了一种因果框架来研究领域泛化问题，希望通过对领域泛化的统一视角，帮助研究人员更好地理解其基本原理并发展出更有效的机器学习方法。

Jul, 2023

该研究论文提出了一个公平且对比度特征空间正则化的算法，名为 FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

Jun, 2023

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021

通过利用演示数据分布发现领域泛化策略的因果特征，我们设计了一个名为 DIGIC 的新框架，通过因果发现从演示数据分布中找到专家行为的直接原因，实现了只使用单一域数据进行领域泛化模仿学习，并且在底层因果模型的非结构化假设下作为跨域变化方法的补充，我们在各种控制任务中进行的实证研究表明，所提出的框架显著提高了领域泛化性能，并且与原始域中的专家具有可比较的性能。

Feb, 2024