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

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019

本文介绍一种在不同训练集下预测性能好的算法——domain generalization algorithms，并提出它们在实际应用中的可用性。作者实现了一个名为 DomainBed 的测试平台，测试了不同数据集、不同基准算法和不同模型选择的效果，并发现在经验风险最小化的情况下，预测性能最优。研究人员们的贡献，加上这个领域的开源，将推动可重复性和严格性研究的发展。

Jul, 2020

本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

本研究提出了一种基于能量的样本适应方法，通过将看不见的目标样本适应到源训练模型上，实现领域泛化分类，并通过引入分类潜变量和能量最小化等手段，有效地实现了对样本的量化表示。

Feb, 2023

本文提出了一种新的学习范式，即模拟-分析-减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

Apr, 2023

本文提出了一种改进的测试时间自适应方法（ITTA），通过引入一个可学习的一致性损失，用于更新辅助测试任务，并且只在测试阶段更新可训练参数，从而解决了域泛化中分布偏移问题，实验表明，该方法在多个评估基准上具有卓越的性能。

Apr, 2023

通过在推理过程中利用目标域的无标签数据，本论文提出了三个主要贡献：1）在测试时，通过将伪标签建模为分布来考虑不确定性，从而推广源域训练的模型到目标域；2）学习具有邻近目标样本信息的变分邻居标签以生成更稳健的伪标签；3）引入元泛化阶段以模拟推广过程，学习融合更具代表性目标信息、生成更精确和稳健的变分邻居标签能力。六个广泛使用的数据集实验证明了我们提出方法的优点、能力和有效性。

Jul, 2023

该研究解决了测试时领域适应中，预训练模型在有限无标签目标数据上表现不佳的问题。提出了一种元学习最小最大框架，使自监督学习任务与主要任务对齐，同时减少小批量过拟合。研究表明，该方法显著提升了模型在未知领域的鲁棒性，并在多个领域适应和泛化基准测试中超过了最先进技术。

Oct, 2024