本篇论文提出了使用图距离和交叉熵损失的两种简单方法来解决深度神经网络中错误严重性的问题，并在两个大型具有复杂类层次结构的数据集（tieredImageNet 和 iNaturalist'19）上优于先前的方法。
Dec, 2019
本文提出了一种使用粗略的分类标签来训练细粒度领域图像分类器的技术，并证明在 Semi-iNat 数据集上实现了显著的性能提升，其中相对增益较大的是在细粒度标签的情况下进行训练和使用半监督学习算法 FixMatch。
Nov, 2021
本文研究将层次分类标签作为先验知识集成到扁平分类器的学习算法中的有效性，并通过两种方法将层次分类税引入到学习算法的损失函数中，实现半监督多类别分类器和全监督多类别分类器的性能提高，在工业数据集和公共基准测试中进行了实验，并取得了显著成果。
May, 2023
使用三种新的核心功能块，以及集成在元学习框架中，解决长尾分布分类和领域漂移问题，提高了领域泛化在新的目标领域上的表现。
Jul, 2022
本文提出了一种基于领域知识和逻辑约束的多标签分类方法，可以在不使用攻击知识的情况下有效地检测出对抗样本。
Jun, 2020
本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。
Feb, 2021
本文提出了一种使用计算有效的适配器方法在多个不同领域适应的方法，其通过冻结预先训练的语言模型并与每个节点相关联的适配器权重组合，实现相关领域之间的参数共享。GPT-2 和 C4 中最多的 100 个网站上的实验结果表明，这种方法可以全面提高领域内性能，并提供了一种推理时间算法来推出新领域的泛化性能，同时只能增加成本。
Dec, 2021
本文利用类定义的词嵌入作为条件来预测下一层分类，并采用合适的搜索方法，以较少的参数数在两个著名的英语数据集上优于先前的研究。
May, 2020
本文从层次知识入手，进行细粒度分类实验，验证模型在此类型下的稳健性，并通过其他方法解释和评估模型的错误分类行为。
Mar, 2023
该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。
Nov, 2020