本文提出了一种通过最大化目标输出矩阵的核范数和最小化源输出矩阵的核范数来提高区分能力和多样性的方法，以增强目标预测能力并提高源领域知识的适用性。这种方法可以在三种典型的领域适应方案下提高适应的准确性和稳健性。

Jul, 2021

本研究提出了一种名为 BNM 的方法，通过批量输出矩阵的核范数最大化，提高判别力和多样性，从而增强典型半监督学习、域适应和开放领域识别等标记不足学习场景的学习效果。

Mar, 2020

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

本文提出一种多项式对抗网络（MAN）用于处理多域文本分类问题（MDTC）， MAN 学习在多个域上保持不变的特征，并通过减少每个域特征分布之间的差异来实现。MAN 在实验中取得了显著的性能提升，并且在无标签数据的域中达到了最先进的性能水平。

Feb, 2018

多领域文本分类（MDTC）是利用相关领域的可用资源来提高目标领域的分类准确性。本研究提供了关于 MDTC 的理论分析，将其分解为多个领域适应任务，并以边缘差异作为领域差异的度量，建立了一个基于 Rademacher 复杂度的新的泛化界限，并提出了基于边缘差异的对抗训练（MDAT）方法以验证其有效性。实验证明，我们的 MDAT 方法在两个 MDTC 基准上超过了先前的方法。

Mar, 2024

本研究提出了一个名为 MRAN 的混合正则化对抗网络，通过引入领域和类别的混合正则化来增强共享潜在空间内在特征，并在训练实例之间强制执行一致的预测，以使学习到的特征更具领域内部不变性和区分性，实验结果表明对于 Amazon 评论数据集和 FDU-MTL 数据集分别获得了 87.64％和 89.0％的平均准确率，优于所有相关基线模型。

Jan, 2021

本文提出了一个简单而有效的方法 —— 双分类器决定性最大化（BCDM），通过鼓励目标预测输出结果的一致性和确定性，同时以敌对方式维护预测多样性，来解决在目标领域中分类器决定性不足导致的特征区分度不足问题，实现从一个有标签的源域迁移到一个无标签的目标域的无监督领域自适应问题。

Dec, 2020

本文提出了一种新颖的双对抗协同学习方法，用于多领域文本分类，该方法利用共享 - 私有网络进行特征提取，并在不同域和标签与未标签数据同时下采用双重对抗正则化来对齐特征，并旨在通过所学习的特征来提高分类器的泛化能力。我们在多领域情感分类数据集上进行了实验，结果表明所提出的方法达到了目前最先进的多领域文本分类性能。

Sep, 2019

本文提出了一种称为自适应批量归一化（AdaBN）的方法来提高深度神经网络的泛化能力，无需额外组件或参数，并证明其在领域适应任务和现有方法相结合时具有卓越的性能表现。

Mar, 2016

本研究分析批量标准化在深度神经网络中的影响，提出通过分离鲁棒性和有效性来评估其对神经网络的贡献，并探究其对于特征鲁棒性的贡献程度以及其对于黑盒攻击的可重用性。

Oct, 2020