本文提出了一种新颖的领域泛化（DG）框架，该框架基于一种新的风险上限，旨在联合最小化在已见域之间的协变量转移和概念转移，以在未见域上获得更好的性能。在本文中，我们使用了分布对齐的常用方法，即最大均值差异（MMD）和协方差对齐（CORAL），并使用基于不变风险最小化（IRM）的方法来进行概念对齐。我们的数值结果表明，所提出的方法在多个数据集上表现不输于领域泛化的最新技术。

Aug, 2022

基于领域偏移的普适分类器归纳问题几乎困难且复杂，本文通过引入三种不同的分布偏移（概念偏移、协变量偏移和依赖性偏移），提出了一种新颖的领域泛化方法，能够在不同领域中保持模型的准确性和公平性。实验结果表明，该方法在四个基准数据集上超越了现有的方法。

Nov, 2023

通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。

Jun, 2018

本文提出了测试时样式转换和样式均衡方法以解决域泛化中的模型训练与目标域未知的问题。在不需要进一步模型更新的情况下，通过这种方法，模型可以处理任意具有任意样式统计数据的目标域，并且已在不同数据集上得到实验证明其有效性。

Jun, 2023

本文提出一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进，并且不需要来自目标域的数据，通过理论和实证实验的方法展示了该方法的有效性，并比较了其表现与其他基于域适应的最先进的校准方法。实验表明，在 Office-Home 数据集上的多类别分类中，我们所提出的校准方法的表现提高了 35 个百分点，期望校准误差降低了 8.86 个百分点。

Apr, 2021

本文提出了一种算法，用于校准模型预测并考虑协变量转移的情况，采用重要性加权法纠正训练分布与实际分布的差异，并通过领域适应的方法实现两个分布尽可能一致， 实证结果表明，该方法在存在协变量转移时优于现有的校准方法。

Feb, 2020

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023

在这篇论文中，我们介绍了一种新的领域综合范式，该方法通过提取领域不变特征来解决机器学习中的领域泛化问题，并引入了两个新的定量衡量标准 ICV 和 IDD 来描述风格领域的变化，同时提出了 SuperMarioDomains（SMD）这一新的合成多领域数据集，为 DG 方法 SMOS 的训练提供了预备模型，最终取得了在五个 DG 基准测试上的最新成果，对于抽象领域的性能大幅提升，并在逼真领域上保持相当水平或稍有改善。

May, 2024

本文探讨了领域自适应问题，证明了只要在一些条件下，任何 PAC 可学习的概念类都可以在协变量转移条件下进行 PAC 学习，同时提出了拒绝取样算法的界限并证明其是某些情况下领域自适应问题的解决方案。

Dec, 2018

本文研究了机器学习中的一个重要研究主题：协变量转移。我们表明这个领域的方法都可以归为信息几何的范畴，并且我们提出的方法可以更高效地进行参数搜索和更好地适应数据，结果比现有方法好。

Apr, 2023