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
这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。
Mar, 2021
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。
提出了一种名为DRAIN的方法来解决时域领域通用问题，通过Bayesian方法建立动态图结构神经网络，在考虑模型参数和数据分布在不同时间点的动态漂移的同时，提供了理论保证，具有较高的有效性和效率。
May, 2022
本文提出了一种新的演化域广义化方法，即Directional Domain Augmentation(DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。
Jan, 2023
RA-TensorPrototype是一个结合了领域适应和领域一般化的框架，实现了在数据分布连续变化的情况下目标域泛化和自适应的能力，同时解决了学习遗忘的问题。
本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。
Mar, 2023
使用因果模型通过互信息序列自动编码器（MISTS）学习动态特征和不变特征，以解决在非静态任务中从连续结构中提取不变特征并进行扩展域泛化的挑战。
Jan, 2024
该论文研究了非稳定环境下的领域泛化问题，并提出了一种基于自适应不变表示学习的新算法，该算法利用非稳定模式来训练一个在目标领域上具有良好性能的模型。实验证实了该算法在合成数据和真实数据上的有效性。
May, 2024