本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

Apr, 2021

本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

Nov, 2020

本文提出了一种元学习方法，通过在每个小批处理中合成虚拟测试领域，模拟训练 / 测试领域变化的过程，使用模型无关的培训程序，这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果，并在两项经典强化学习任务中展示了其潜力。

Oct, 2017

该研究对现有的 DG（Domain Generalization）方法在 ODG（Open Domain Generalization）情况下进行综合评估，显示出两种简单的 DG 方法，CORrelation ALignment（CORAL）和 Maximum Mean Discrepancy（MMD），在多种情况下与 DAML 竞争力强，且简单 DG 方法的扩展也是 ODG 的较强基线。

Mar, 2023

提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体，其中模型学习扭曲网络参数以适应来自不同域的数据，并使用元调整器来扭曲网络参数，以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学，以帮助元调整器适应未来的未知目标领域，无需经过训练即可实现模型的自适应调整，实验证明该方法的有效性。

May, 2022

本文提出了一种基于多视角的领域泛化框架，利用多任务和多视角的元学习进行模型训练和更新，有效降低模型过拟合和不稳定预测问题，并在三个基准数据集上得到较好的结果，优于目前的一些最先进方法。

Dec, 2021

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

多领域泛化的研究旨在最小化训练和测试分布之间的差异，以增强边缘到标签分布映射，本论文提出利用 Y 映射来放松约束，重新思考多领域泛化的学习目标并设计了一个新的通用学习目标，揭示了之前的多领域泛化研究仅部分优化了目标导致了有限性能的问题，该研究提取出四个实际组成部分，提供了处理复杂领域转移的一种通用、强大和灵活的机制。

Feb, 2024

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

本研究提出了一种利用自我监督方法解决多模态开放领域泛化（MM-OSDG）问题的新途径，引入了两个创新的多模态自我监督预训练任务：遮蔽跨模态翻译和多模态拼图。这些任务有助于学习多模态代表性特征，提高泛化和开放类别检测能力，并提出一种新颖的熵权重机制来平衡不同模态的损失。此外，我们还扩展了该方法以解决多模态开放领域自适应（MM-OSDA）问题。实验证明了该方法在多个数据集上的有效性和多样性。

Jul, 2024