本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

Nov, 2020

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

本文提出了一种元学习方法，通过在每个小批处理中合成虚拟测试领域，模拟训练 / 测试领域变化的过程，使用模型无关的培训程序，这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果，并在两项经典强化学习任务中展示了其潜力。

Oct, 2017

本文提出了一种基于多视角的领域泛化框架，利用多任务和多视角的元学习进行模型训练和更新，有效降低模型过拟合和不稳定预测问题，并在三个基准数据集上得到较好的结果，优于目前的一些最先进方法。

Dec, 2021

提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体，其中模型学习扭曲网络参数以适应来自不同域的数据，并使用元调整器来扭曲网络参数，以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学，以帮助元调整器适应未来的未知目标领域，无需经过训练即可实现模型的自适应调整，实验证明该方法的有效性。

May, 2022

本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和半监督方法。

Sep, 2020

单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而，这些方法在对视觉细粒度的开放 - 闭合数据时往往出现错误分类的情况。为了克服这些限制，我们提出了一种名为 SODG-Net 的新颖框架，该框架使用基于学习的目标同时合成新颖域和生成伪开放样本，与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力，并生成了多样的伪开放样本，以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。

Nov, 2023

本文提出了一种基于元学习的新型框架，即双重 MEta-learning with joint DomaIn-Class matching（MEDIC），该框架同时考虑了领域间和类别间的梯度匹配，以找到适用于所有任务的平衡边界，实验证明该方法不仅在开放集场景中优于以前的方法，同时还保持了有竞争力的闭集泛化能力。

Aug, 2023

本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力，在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中，我们的 L2A-OT（学习通过最优传输增广）方法在四个基准数据集中表现优于当前最先进的 DG 方法。

Jul, 2020

本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

Mar, 2021