본 논문은 기존 도메인 일반화 접근 방식의 한계를 극복하기 위해 연속 도메인 일반화(CDG)라는 새로운 과제를 제시합니다. 기존 방식은 도메인을 이산적이거나 단일 축(예: 시간)을 따라 진화하는 것으로 취급하지만, 실제 데이터 분포는 시간, 지리, 사회경제적 맥락과 같은 여러 잠재 요인에 걸쳐 지속적으로 변화합니다. 본 논문에서는 다차원 연속 변화 기술자로 정의된 미지의 도메인에 대한 예측 모델의 일반화를 목표로 하는 CDG를 제시합니다. 기하학적 및 대수적 이론에 기반한 체계적인 프레임워크를 제시하여 도메인 간 최적 모델 매개변수가 저차원 매니폴드에 존재함을 보여줍니다. 이러한 구조를 모델링하기 위해, 기하학적 연속성과 대수적 일관성을 강화하여 구조화된 매개변수 전이를 가능하게 하는 신경망 Lie 전달 연산자(NeuralLTO)를 제안합니다. 또한, 잡음이 많거나 불완전한 도메인 기술자를 처리하기 위해, 관련 없는 차원을 억제하는 게이팅 메커니즘과 강력한 일반화를 위한 지역 차트 기반 전략을 도입합니다. 원격 감지, 과학 문서, 교통 예측 등의 합성 및 실제 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법이 기술자의 불완전성 하에서 일반화 정확도와 강력성 측면에서 기존 기준 모델보다 훨씬 뛰어난 성능을 보임을 보여줍니다.
