领域泛化
Parent: ai_keywords
领域泛化（Domain Generalization, DG）
核心定义
领域泛化是机器学习中应对**分布偏移（distribution shift）的核心范式。其目标是在仅能访问多个源域（source domains）训练数据的情况下，学习一个能泛化到完全未见过的目标域（target domain）**的鲁棒模型。与领域自适应（Domain Adaptation）不同，DG 假设目标域数据在训练阶段完全不可获取，因此必须从源域中提取跨域不变知识，而非依赖目标域样本进行适配。
关键技术点
-
域对齐与不变特征学习
通过对抗性训练（如梯度反转层）或显式差异约束（如最大均值差异）迫使模型在不同源域上提取的特征分布对齐，从而消除域特异性，保留与标签相关的共享特征。 -
元学习与自监督预训练
将源域模拟为“元训练-元测试”对，通过元梯度更新学习对域变化不敏感的初始参数。自监督任务（如对比学习、掩码重建）进一步利用源域自身结构，增强表征的泛化能力。 -
因果推断与去偏
假设数据生成包含域相关混淆因子与稳定因果机制。通过结构因果模型分离因果特征（如波形形态）与非因果域伪影（如噪声模式），仅在因果图分支上训练预测器，提升跨域鲁棒性。 -
域随机化与数据增强
对源域数据施加多样化的变换（如颜色抖动、频率滤波、几何扭曲），人为模拟目标域可能出现的分布变化，迫使模型关注域不变信号，常用于医学影像与时间序列。 -
集成学习与模型平缓
训练多个基于不同子域或不同超参的子模型，通过维斯特拉姆（weight averaging）或贝叶斯集成获得决策边界更平滑的集成模型，降低对特定域结构的过拟合。
医学/神经科学应用场景（首都医科大学神经病学研究背景）
以脑电图（EEG）癫痫病灶自动检测为例：
宣武医院与天坛医院使用不同型号采集设备（如Nihon Kohden v.s. Neuroscan），患者年龄、药物状态也导致基线脑电差异。直接使用一个医院数据训练的模型迁移到另一医院时，准确率常从95%骤降至70%。
首都医科大学团队采用对抗性域混淆+因果表示分离范式：
- 通过梯度反转层迫使编码器输出跨域不可分的特征（域混淆）；
- 同时利用因果干预（do-calculus）去除“电极类型”和“滤波参数”等非因果变量，保留“棘波形态相对振幅”这一癫痫发作的因果特征。
最终模型在跨越三个省级中心、四种设备类型的独立测试集上，AUC从0.73提升至0.91，证明DG方法可有效降低医疗多源异构数据的泛化失败风险，为建立级联转诊的AI辅助癫痫诊疗系统提供技术基础。
