本文提出了一个新的 WILDS 基准测试集，其中包含 10 个数据集，反映了现实世界中自然产生的多种分布偏移。在研究中，通过多个数据集的实验表明，现有的方法不能解决分布偏移问题，更需要改进的方法来提高模型的鲁棒性。

Dec, 2020

本文扩展了 Shifts 数据集，加入了两个来源于高风险工业应用的数据集，用于探索模型的鲁棒性和不确定性估计。新数据集包括 3D 磁共振脑图像中白质多发性硬化病变的分割和船舶功耗的估计，具有普遍分布转移和严格的安全要求。

Jun, 2022

本文介绍了机器学习领域中的分布漂移和时间漂移问题，通过时间戳元数据来增强模型学习能力，提出了一个包含五个数据集的基准测试，使用 13 种不同的方法进行系统评估，同时针对不同的实际应用场景设计了两种评估策略，发现现有的方法已经无法缩小在分布内和分布外数据间的性能差距。

Nov, 2022

本论文提出了一种新的领域自适应问题，即在源域有噪声标签的情况下，通过未标记的目标域数据进行分类，该方法名为 WUDA。我们建议使用蝴蝶框架，该框架同时维护四个深度网络以解决噪声数据和分布偏移。我们发现，蝴蝶框架在 WUDA 下显着优于现有的基准方法。

May, 2019

该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

Jul, 2020

本研究提供两个新的自然世界分类数据集 iNat2021 和 NeWT，探索了 fine-grained 类别的大规模表示和迁移学习的问题。研究表明，在各种任务中，基于 ImageNet 和 iNat2021 有监督方法学习到的特征优于 SimCLR 等自我监督方法。

Mar, 2021

本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

Mar, 2023

本文提出了一个结合了模型集成学习和自训练的框架，用于解决深度学习模型在实际部署中遭遇训练数据分布不同的测试数据导致性能下降的问题，同时解决无监督准确度估计和错误检测两个挑战性任务，并在 59 项任务中取得了最优结果。

Jun, 2021

本研究提出了 Shifts 数据集，用于评估不确定性预测和对分布偏移的鲁棒性，并提供了基线结果和任务描述。

Jul, 2021

该研究通过解决开放世界半监督学习中的假设假设和评估方法的问题，以扩展实用的开放世界半监督学习。

May, 2024