本文提出了一组高效可扩展的神经网络快速筛选与排序模型，以处理智能个人数字助理的大规模领域分类问题，并在 1,500 个领域上进行了大量实验以证明我们的方法的有效性。

Apr, 2018

本文提出基于神经网络的 CoNDA 方法，支持新类别的增量学习，以改进个性化动态信息融入在智能个人数字助手中的领域分类问题，并在现有和增量添加的新领域上实现高准确性和超越对比基准的结果。

May, 2019

本文提出了一种基于用户授权域的监督式启用注意机制，通过利用注意力机制加权计算用户喜好或验证的授权域，来提高自然语言理解的域分类性能。该机制采用 Sigmoid 激活函数，以更具表达力的方式计算注意权重，并通过自监督机制利用其他授权域的注意信息。实验表明，我们的方法显著提高了域分类的性能。

Dec, 2018

本研究旨在探讨利用不同应用范畴的大规模培训数据，构建单一领域不变模型的想法，以达到普适性应用并允许快速自适应，并通过实验证明培训模型的可行性和适应性。

Aug, 2018

本研究介绍了一种基于 LSTM 域选择组件的人工智能助理系统中对于选择相关新训练数据的方法，实验结果表明，与随机选择和基于熵的方法相比，在固定标注预算的情况下提供了更高的准确性提升。

Aug, 2019

本文提出了一种利用具有相同语言的多个地方可用数据的方法，以提高口语语言理解中的域分类模型准确性和用户体验，即使新的地方没有足够的数据，并减少将域分类器扩展到大量场所的成本。我们建议了一种基于选择性多任务学习的 locale-agnostic 通用域分类模型，该模型学习具有不同域集的地点上的话语的联合表示，并允许地点根据域的不同选择性地共享知识。实验结果表明，我们的方法在具有不平衡数据和不同域集的多个场所的域分类任务上是有效的。所提出的方法特别优于其他基线模型，尤其是在分类特定于本地区的领域和低资源领域时。

May, 2019

本文提出了域检测作为一项新的自然语言处理任务，介绍了编码器 - 检测器框架结合多实例学习的域检测模型，并应用于不同粒度、语言和体裁的文本中，展示了域检测在文本摘要中的潜力。

Jul, 2019

本文研究的问题是如何在多个领域中通过使用共享参数实现联合培训的同时，利用领域特定和任务特定的模型参数来改进知识学习和转移的提取方法，并在 5 个领域进行了实验证明。结果表明，该模型对于多领域语言理解问题更为有效，并且在适应数据较少的新领域时具有更好的性能。

Apr, 2020

使用多任务学习方法，缩短新任务学习所需的数据量，以提高自然语言理解中的 slot 填充模型适配多目标任务或领域的效率。该多任务模型可以利用在其他任务中学习到的模式，以较少的数据获得更好的性能，并支持开放词汇，可以很好地应用于微小数据量的训练。实验结果显示了该方法在四个不同领域中的适配效果和开放词汇技术的有效应用。

Apr, 2016

本篇论文提出了一种新颖的方法 —— 领域隐私，用以衡量条件语言模型在不同域之间泄露的可能性，并根据基于标记级别的域分类开发策略函数和一种高效的微调方法以提高已训练模型的域隐私；实验表明，我们的方法具有与不同 ially 私有语言模型的方法相当的弹性。

May, 2023