本文旨在解决域适应问题，提出训练方法和策略，包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能，还表明该方法有助于计算机视觉中的标准方法。

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

本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

Mar, 2021

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

本文介绍了一种适用于领域泛化时的分布一致性问题的新方法MODE，该方法利用分布鲁棒优化探索与训练数据相同语义因素的不确定子集来增加预测的置信度。实验结果表明，MODE方法与当前最先进技术基线方法具有相当的性能水平。

Apr, 2023

该研究论文提出了一个公平且对比度特征空间正则化的算法，名为FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

Jun, 2023

本研究提出了一种因果框架来研究领域泛化问题，希望通过对领域泛化的统一视角，帮助研究人员更好地理解其基本原理并发展出更有效的机器学习方法。

Jul, 2023

基于损失平面平坦度的角度，我们提出了一种新颖的方法Flatness-Aware Minimization for Domain Generalization（FAD），可以同时有效地优化零阶和一阶平坦度，从而改善领域泛化问题。我们通过理论分析和实验证明了FAD在各种领域泛化数据集上的优越性，并确认FAD能够发现比其他零阶和一阶平坦度感知优化方法更平坦的极小值点。

Jul, 2023

这篇论文介绍了一种针对域泛化的目标，将参数和数据扰动区域结合起来进行域泛化，以减少源域与未知域之间的损失景观不一致性，实验证实了该方法在多个域泛化基准数据集上的性能优于现有方法，尤其是在对域信息限制较多的情况下显示出了显著改进。

Mar, 2024

领域通用化的目标是设计算法和模型，能够在之前未见过的测试分布上取得高性能。本研究中，我们对平均度量进行了细致的探究，并提出了“最差+间隙”度量作为一种强健的替代方案。通过理论推导和实验分析，我们发现平均度量不能准确近似真实的领域通用化性能，而“最差+间隙”度量在理论上和实践中都表现出了鲁棒性。

May, 2024