在这项工作中，我们证明自适应底层感知模块对于自主代理在各种任务中的成功是至关重要的，我们引入了任务条件适配器的概念，并展示了它可以通过单一策略来解决多个任务，同时证明了方法可以在未见过的任务中使用视觉示范进行泛化。

Feb, 2024

我们提出了一种新颖的 “预训练、适应和检测” 方法，通过引入大型预训练模型，将从大量多模态数据中学习到的丰富知识直接转移到伪装对象检测任务中，使用轻量级并行适配器调整下游伪装对象检测任务的特征，通过在源任务上进行多任务适配器初始化和在目标任务上进行多任务调整，显著提高了我们模型的泛化能力。

Jul, 2023

在跨领域目标检测中，本文引入了一种名为 Versatile Teacher (VT) 的新型教师 - 学生模型，通过考虑类别特定的检测难度并采用两步赋值机制，生成更可靠的伪标签，将其作为显著性矩阵来引导区分器进行有针对性的实例级对齐，取得了有希望的实验结果，并扩展了广泛使用的一阶检测器的对齐方法，具有重要的实际应用潜力。

May, 2024

通过利用逆向蒸馏适配器调优（iDAT）框架，将 Adapter-Tuning 方法和知识蒸馏相结合，我们成功地改进了微调性能，并实验证明了该方法的有效性。

Mar, 2024

我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

Nov, 2021

提出了一种高效的领域自适应任务导向对话系统模型，通过使用元教师模型量化不同领域中上下文下生成的令牌的重要性来指导对话模型，实现更好的自适应效果并达到最先进的性能水平。

Apr, 2021

本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。

Jan, 2024

通过在预先训练的模型中插入轻量级适配器模块，将自监督语音模型适应到说话人验证任务中，我们提出了一个高效的适配器框架。实验结果表明，该框架在更新仅 5% 的参数的情况下，超过了微调和其他参数高效的迁移学习方法，实现了卓越的性能。

Mar, 2024

提出了 ADAPT^2，一种用于个性化自我监督模型的少样本域适应框架，通过重新播放自我监督任务与用户特定数据进行用户端模型适应，以在少样本情况下将模型的预训练表示调整到用户。通过使用四个基准测试，ADAPT^2 的平均 F1 分数超过现有基准测试 8.8% p。在普通的手机上，ADAPT^2 内的装置计算开销分析表明，在不引人注目的延迟（三分钟内）内，ADAPT^2 完成了适应，并且仅占用 9.54% 的内存，从而证明了该方法的计算效率。

Mar, 2024

本文提出了一种在从源域获取充足数据，但目标域的标记数据数量有限或不存在，并仅有少量成对的源目标数据的情况下，进行领域适应的方法。通过预训练一个表现良好的模型来提供更好的学习信号，从而检测基于便携式生物传感器的医学情况，并实现了许多在此领域的解决方案，以减少开发生物传感器的高性能深度学习模型所需的数据量和成本。

Mar, 2020