DATA 是一种简单而有效的用于自我监督学习预训练的神经结构搜索方法，该方法使用了域感知和任务感知前置训练，并使用可灵活搜索机制寻找不同计算成本的网络，用于各种下游视觉任务和数据域，实验结果表明具有良好的通用性。

Mar, 2022

该论文讨论利用多级深度强化学习代理 DARLA，通过学习离散化的环境表示，使策略更具鲁棒性实现领域自适应，该方法在不同的 RL 环境（Jaco arm, DeepMind Lab）和基本 RL 算法（DQN, A3C, and EC）中显示出比传统基线方法更好的性能表现。

Jul, 2017

本文概述了最近一种名为 DIRA 的动态领域自适应方法，该方法依靠一些样本和弹性权重整合（elastic weight consolidation）这种正则化方法来实现最先进的（SOTA）领域自适应结果。DIRA 已经被先前研究证明能够与 SOTA 的无监督适应技术竞争。然而，DIRA 的一个局限性是它依赖于为适应中使用的少量样本提供标签，这使其成为一种有监督技术。本文讨论了对 DIRA 方法的改进提议，以使其成为自监督的方法，即不需要提供标签。我们将在未来的工作中提供对我们提议的改进的实验结果。

Nov, 2023

本文提出了一种系统的无监督领域自适应框架，利用自监督方法在预训练和微调范式中充分利用无标签数据，在解决提高自监督方法在异领域性能的同时，通过提出三种创新性的调整方法，有效地提高了自适应领域的性能。

Jun, 2022

通过权重分解分析和 LoRA 方法的聚焦更新，DoRA 方法在保持低成本细调的基础上增强了学习能力和训练稳定性，对各种常识推理、视觉指导调整和图像 / 视频 - 文本理解等不同下游任务，超越了 LoRA 方法。

Feb, 2024

本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

Apr, 2022

本研究通过实验挑战了深度网络泛化不良的原因在于恢复 “正确” 特征失败的观点，并提出了一种新的领域调整回归（DARE）方法，该方法根据分布转移的新模型，通过域特定调整来统一一个规范潜在空间，并在该空间中学习预测。在有限环境下，该方法的收敛保证了最小最优预测器，相比之前的方法，该方法表现更好。

Feb, 2022

本研究介绍了动态低秩适应（DoRA）方法，该方法在训练过程中将高秩的低秩层分解为结构化的单秩元件，允许根据任务重要性动态修剪参数预算，以充分利用有限的参数预算，并且实验证明 DoRA 方法在与 LoRA 和完全模型微调相比具有竞争性的性能和优于各种强基线模型的结果。

May, 2024

该论文提出了一种使用数据增强进行统一状态表示学习的强化学习通用化方法，可以提高智能体的泛化能力和领域自适应性能在 DeepMind 控制泛化基准测试中的表现，达到了更高的样本效率和 14.3％的领域适应性比最佳基准结果。

Sep, 2022

通过改进方法，我们引入了一种名为 DoRaR 的特征归属方法，解决了透明度受限、黑盒模型等困扰，通过对 MNIST、CIFAR10 和自行合成的数据集的全面测试，证明了 DoRaR 特征归属方法能有效绕过上述问题，并有助于训练优于其他最先进特征归属方法的特征选择器。

Oct, 2023