该论文提出了一种新颖的去纠缠自编码器 (Dis-AE) 神经网络结构，可以学习领域不变的数据表示，实现多标记医学测量分类的领域泛化，并评估其在多个领域上的泛化能力。

Jun, 2023

本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

Jan, 2021

本文介绍了一种名为 Deep Matching Autoencoders（DMAE）的算法，可以从无配对多模态数据中学习公共潜在空间并进行配对，可用于从多种视角进行数据的跨域表示学习和对象匹配，并能够实现从完全监督方法到半监督和无监督方法的跨模态学习以及无监督分类器学习。

Nov, 2017

本篇文章介绍了一种名为对抗域增强的方法，用于在单一训练域情况下提高模型的泛化性能，通过使用元学习方案和 WAE 来松弛最坏情况限制，并在多个基准数据集上广泛实验，验证了该方法对于缓解单一域泛化问题的优越表现。

Mar, 2020

使用 meta-recognition 模型通过 autoencoder 方法，学习简洁的模型代码，并通过 meta-generative 模型构建任务特定模型参数，实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能，同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。

Jul, 2018

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019

本研究提出了一种使用去噪自编码器计算置信度得分的新方法，并展示了这种置信度得分可以通过确定其局部极大值来正确识别接近训练分布的输入空间的区域，从而解决神经网络模型的过度概括问题。

Sep, 2017

本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。

Nov, 2018

本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

Apr, 2021