実世界では訓練とテストデータの分布が独立かつ同一である，という仮説が成り立たないことが多くドメインシフト問題が発生する．そこでドメイン汎化する手法が検討されているが，ドメイン汎化の文脈におけるフラットミニマムの利点はまだ活発に研究されていない． 本研究ではドメイン汎化のためにフラットミニマムへの収束を促しつつドメイン不変な特徴を学習する手法を検討，シンプルかつ効果的な手法であるXDEDを提案する．

DomainBed， cross-dataset person re-ID ， cross-dataset semantic segmentation実験において自明ではない改善を示し様々なドメイン汎化シナリオにおける我々の手法の有効性を検証している。さらに提案手法で学習したモデルは，敵対的な攻撃や未知の画像破損に対する頑健性の達成にも役立つことを示した．

画像はDomainBedにおけるドメイン汎化精度