本文介绍了一种名为 MuLANN 的对抗性的多域学习方法，用于利用多个具有重叠但不同类集的数据集，在半监督设置中进行多域学习和域自适应，并通过实验验证其有效性，提高了在两个标准图像基准测试和一个新的生物图像数据集 Cell 上的表现。该方法的贡献包括：利用 H 散度得到的 MDL 中平均和最差域风险的界限，适用于半监督的多域学习和域自适应的新损失。

Mar, 2019

本文介绍了一种名为多领域对比学习（MDCL）的新方法，以减轻不充分注释对传统 MDL 方法的影响，该方法旨在捕获来自标记和未标记数据的语义和结构信息，通过在不同领域的共享和私有空间中分别对其进行处理。实验结果表明，MDCL 相对于各种共享 - 私有模型（SP models）都带来了明显的改进，而且还能在多领域主动学习中得到进一步应用，以获得更好的总体性能。

May, 2023

本文介绍了一种多域学习 (MDL) 的方法，该方法利用预训练深度学习模型为不同的领域（例如，照片、素描、绘画）生成定制化的深度模型，以便更好地处理来自新领域的数据。通过引入 Budget-Aware Adapters，该方法可以选择最相关的特征通道，以适应新领域的数据，并自动调整网络的计算复杂度。实验结果表明，该方法可以在保持较高准确率的同时，显著减少存储和计算资源的消耗。

May, 2019

通过剪枝模型，我们能够在具有多个领域的测试环境中处理更少的参数和更低的计算复杂度，从而更好地适应资源受限的设备。

Sep, 2023

本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

Feb, 2021

提出了一种通用、轻量级的领域解缠模块（DDM），用于在多个不同领域进行自我监督编码器的表示学习，具有更好的泛化性能。

Sep, 2023

本文提出了一种基于神经网络的新视角，并引入语义描述符的概念，从而将多任务学习和多域学习统一起来，并将各种经典和最新的多任务学习 / 多域学习算法解释为构建语义描述符的不同方式。通过本文的解释，可以提供一种零样本学习（ZSL）的替代方法，而且新的实践问题 —— 零样本域适应（ZSDA）也得以提出。实验表明，我们的框架在各种问题上都胜过了许多其他方法。

Dec, 2014

本篇论文提出一种无需领域注释数据的多领域机器翻译模型，包括骨干模型、领域鉴别器和一组专家。通过阶段式训练策略并结合聚类和多分类任务建模领域差异以及采用 Gumbel-Max 采样进行专家训练，该模型在德语到英语翻译任务中取得了较好的效果。

May, 2023

提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

Dec, 2018

本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

Sep, 2018