该论文提出了 Domain-Free Domain Generalization (DFDG)，一种模型无关的方法，通过学习领域不变的类别判别特征来实现更好的领域泛化性能，具体方法包括使用类别条件软标签来对齐样本的类别关系，使用显著性图来消除训练输入中的表面观察，并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。

Feb, 2021

本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

Jul, 2020

本文提出了渐进特征对齐网络 (PFAN) 对无监督域自适应问题进行解决，通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤，使得模型能够有效地完善交叉领域的分类一致性。

Nov, 2018

该研究提出了一种旨在通过监督对比学习将多个领域的文本分类特征对齐到同一特征空间中的稳健对比对齐方法，以实现多领域文本分类，消除了新兴领域增多带来的效率低下问题，从而只需两个通用特征提取器。实验结果表明，该方法在多个领域中效果良好。

Apr, 2022

本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源 / 目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源 / 目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

Mar, 2020

本文介绍了一个基于元学习的有效优化策略 MetaAlign，以协调域对齐任务和分类任务的目标函数的不一致性，实现在元训练和元测试中同时优化域对齐和分类任务的最大化，从而提高了无监督领域自适应问题的性能。

Mar, 2021

本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

Dec, 2020

本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

Jun, 2021

本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

Apr, 2022

该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

Oct, 2019