본 논문은 도메인 일반화(Domain Generalization, DG)에서 과적합 문제를 해결하기 위해 가중치 양자화를 활용한 새로운 방법인 QT-DoG(Quantization-aware Training for Domain Generalization)를 제안합니다. 기존의 양자화 방법이 모델 압축에 초점을 맞춘 것과 달리, QT-DoG는 가중치에 노이즈를 유도하여 손실 함수의 좀 더 평평한 최소점(flatter minima)을 찾도록 유도함으로써 암묵적 정규화(implicit regularization)로써 양자화를 활용합니다. 이를 통해 과적합에 덜 민감하고 다양한 도메인에서 더 나은 일반화 성능을 달성합니다. 이론적 분석과 실험적 증거를 통해 양자화가 평평한 최소점을 유도함을 보이고, 더불어 양자화된 여러 모델의 앙상블을 통해 기존 최첨단 DG 방법보다 우수한 정확도를 계산 비용이나 메모리 오버헤드 없이 달성함을 보여줍니다. 소스 코드는 공개되어 있습니다.
