MVDG：用于域泛化的统一多视角框架
本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。
Apr, 2021
本文提出了一种串行学习框架，用于域泛化问题，通过在每个步骤上训练来最大化下一个域的性能，提供了更多的实践，从而改善了基本学习者的性能。我们将其应用于最近提出的元学习域泛化，显示出一种简单而快速的算法，在各种域泛化基准测试中提供了一致的性能改进。
Apr, 2020
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
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
本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。
Aug, 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
提出了领域泛化问题的形式框架，主要是在标记的训练集数据来自于几个相关的预测问题的情况下，通过扩充原特征空间来增加特征向量的边际分布，以期在未知的未标记数据集上获得精确的预测。针对核方法，提供了更多的定量结果和通用一致的算法，并在一个合成和三个真实世界的数据集上做了实验比较.
Nov, 2017
多领域泛化的研究旨在最小化训练和测试分布之间的差异，以增强边缘到标签分布映射，本论文提出利用 Y 映射来放松约束，重新思考多领域泛化的学习目标并设计了一个新的通用学习目标，揭示了之前的多领域泛化研究仅部分优化了目标导致了有限性能的问题，该研究提取出四个实际组成部分，提供了处理复杂领域转移的一种通用、强大和灵活的机制。
Feb, 2024
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