本文介绍了一种名为多领域对比学习（MDCL）的新方法，以减轻不充分注释对传统 MDL 方法的影响，该方法旨在捕获来自标记和未标记数据的语义和结构信息，通过在不同领域的共享和私有空间中分别对其进行处理。实验结果表明，MDCL 相对于各种共享 - 私有模型（SP models）都带来了明显的改进，而且还能在多领域主动学习中得到进一步应用，以获得更好的总体性能。

May, 2023

我们提出了一种名为 Decoupled Training (D-Train) 的多领域学习方法，它通过分为多个头部进行先预训练再后训练，最后通过固定骨干网络对头部进行微调，实现了领域的独立，尽管该方法非常简单且高效，在各种数据集的广泛评估中表现出色。

Sep, 2023

本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

Sep, 2018

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

本文提出了一种新型的多级对抗网络 (MLAN)，针对源域和目标域之间的全局图像水平和局部图像区域之间的不一致性，通过区域级对抗性学习 (RL-AL) 和共正则化对抗性学习 (CR-AL)，以及在输入空间和输出空间上的多级一致性映射来实现领域自适应。大量实验表明，MLAN 在多个数据集上一致地优于现有技术。

Mar, 2021

本研究提出了一种新颖的基于扰动的两阶段多域主动学习（P2S-MDAL）方法，它包括分配域的预算、建立多样性选择的区域，并进一步用于选择每个区域中最具交叉域影响力的样本。在三个现实世界数据集上进行的实验表明，与传统的 AL 策略相比，该方法具有优越的性能。

Jun, 2023

本文介绍了一种多域学习 (MDL) 的方法，该方法利用预训练深度学习模型为不同的领域（例如，照片、素描、绘画）生成定制化的深度模型，以便更好地处理来自新领域的数据。通过引入 Budget-Aware Adapters，该方法可以选择最相关的特征通道，以适应新领域的数据，并自动调整网络的计算复杂度。实验结果表明，该方法可以在保持较高准确率的同时，显著减少存储和计算资源的消耗。

May, 2019

本文提出了一种基于神经网络的新视角，并引入语义描述符的概念，从而将多任务学习和多域学习统一起来，并将各种经典和最新的多任务学习 / 多域学习算法解释为构建语义描述符的不同方式。通过本文的解释，可以提供一种零样本学习（ZSL）的替代方法，而且新的实践问题 —— 零样本域适应（ZSDA）也得以提出。实验表明，我们的框架在各种问题上都胜过了许多其他方法。

Dec, 2014

该研究提出了一种多源域自适应和标签统一问题的新方法，使用领域关注、不确定性最大化和注意力引导的对抗性对齐解决不匹配标签的负向转移，并在部分监督和完全监督的适应阶段传递知识以进行标签完成处理，在三种不同的任务中实现了显著优于现有竞争方法的表现。

Dec, 2020

该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上 mAP 平均精度方面的表现优于现有技术达到了 3%~11% 的大幅度提升。

May, 2019