本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在 20 个新闻组数据集上，1-shot 和 5-shot 分类的准确性从 52.1％提高到 59.6％和从 68.3％提高到 77.8％。

Jul, 2021

通过引入迁移学习和元学习以及改进的训练过程包括一阶 MAML 算法和图神经网络模型，本文提出的方法在加上数据增强后，在新的跨领域少样本学习基准上实现了 73.78% 的平均准确度，比既有基准提高了 6.51%。

May, 2020

本文提出了一种用于早期误报检测（CANMD）的对比适应网络，它通过伪标记和标签纠正组件相结合，有效地适应了未知 COVID-19 目标领域，与现有技术相比，取得了显著的改进。

Aug, 2022

本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架，用于将知识从现有数据域传递到目标 COVID-19 数据域，以适应 COVID-19 误信息检测系统。实验证明，我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。

Oct, 2022

META-MT 提供了一种新的基于元学习的方法来适应神经机器翻译系统 (NMT)，可以使 NMT 模型很容易地适应多个领域的目标，同时需要极少量的领域数据。通过在模拟的离线元训练领域适应任务的基础上学习如何适应新的未见过的领域，我们将 NMT 系统的适应性视为元学习问题。我们在十个领域上评估了提出的元学习策略并展示了在很少的领域样例可用时，META-MT 可以显著优于经典的领域适应并且可以在只见到 4,000 个已翻译的单词 (300 对平行句子) 后比经典微调的 BLEU 指标高出多达 2.5 个点。

Apr, 2020

针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

Apr, 2021

本研究提出一种名为 MiDAS 的多领域自适应方法，该方法结合多个预先训练和微调模型，并使用局部 Lipschitz 光滑性来评估每个模型对新数据的相关性以检测假新闻。MiDAS 在针对 9 个取自不同领域和模态的假新闻数据集的泛化方面取得了新的多领域适应性表现。

May, 2022

本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

Aug, 2021

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

Apr, 2020