機械学習の実応用では，学習時と運用時でデータの分布が異なるドメインシフトだけでなく運用時に未知クラスが現れるオープンセット認識の状況がある．Domain-Augmented Meta-Learning (DAML) はこの状況に対処する手法であるが，複雑な学習プロセスを有する．一方，ドメインシフトの対処法として様々なドメイン汎化手法が提案されているが，それらはドメインシフト時のオープンセット認識で評価されていない．本研究では，ドメインシフト時のオープンセット認識におけるドメイン汎化手法の網羅的な評価を行い，簡易で計算コストの低いドメイン汎化手法のCORrelation ALignment (CORAL)と Maximum Mean Discrepancy (MMD) がDAMLに匹敵する性能をもつことを示す．さらに，CORALとMMDにアンサンブル学習やデータ拡張などのDAMLで用いられている工夫を組み合わせた際の性能を評価する．
