機械学習におけるドメイン汎化（Domain Generalization）は、複数のソースドメインから学習し、未見のターゲットドメインに一般化することを目的としている。しかし、従来の手法はソースとターゲット間のラベルの不一致という現実的な状況を無視することが多い。例えば、自動運転のシナリオでは、訓練データに晴天や雨天など異なるドメインが含まれるが、ターゲットドメインには雪天が含まれ、訓練時に見たことのない新しいカテゴリ（例えば、歩行者の突然の出現）が現れる可能性がある。そこで、オープンセットドメイン汎化（Open Set Domain Generalization）が提案され、未見のドメインにおける未知のクラスを認識することを目指す。
簡単なアプローチとして、各クラスを分離し、外れ値を未知として検出する一対多分類器（one-vs-all classifier）が用いられる。しかし、この方法では正サンプルが少なく負サンプルが多いという不均衡があり、決定境界が正サンプル側に偏るため、モデルが分布外データを過剰に拒否し、未見ドメインの既知クラスまでも拒否してしまう問題がある。
この課題に対処するため、Xiran Wangらの研究チームは、新しいメタラーニング戦略である「デュアリスティック・メタラーニングとドメイン-クラスマッチングの統合（MEDIC）」を提案した。MEDICの核心は、ドメイン間およびクラス間のタスク分割に対する暗黙的勾配マッチングを同時に考慮することである。具体的には、訓練中に2種類のメタタスクを構築する：ドメイン分割に基づくタスク（ドメイン不変な表現を学習）と、クラス分割に基づくタスク（既知クラスと未知クラスを区別）。これらのタスクの勾配を同時に最適化することで、MEDICはドメインとクラスの両方でバランスの取れた最適な決定境界を見つけ、従来の不均衡問題を回避する。
実験結果は、MEDICがオープンセットシナリオにおいて従来手法を大幅に上回る性能を示すだけでなく、クローズドセット汎化能力も競争力のあるレベルで維持することを示している。これは、未知クラスの認識において既知クラスの認識精度を犠牲にしないことを意味する。本研究は、現実世界のラベル欠落やドメインシフトの問題に対処する新たな道を開くものである。論文はarXivで公開されており、コードとデータは後日公開予定である。