本文提出了一种基于分布鲁棒优化的普适认证框架，旨在弥补现有基准数据集在测试时无法全面评估领域通用算法的局限性，并提出了一种训练算法，可以用于改进其认证性能。实证评估表明，该方法显著提高了风险压力下模型的最坏损失，而在基准数据集上并未出现显著的性能下降。

Jun, 2022

该研究介绍了将最坏情况下的概率度量引入数据中，以表征机器学习算法的泛化能力。最坏情况下的概率度量是 Gibbs 概率度量，并且是相对熵约束下期望损失最大化的唯一解。该研究还通过最坏情况下的数据生成概率度量得出了基本的泛化度量指标，例如期望损失的敏感性、经验风险的敏感性和泛化差距，并恢复了 Gibbs 算法的现有结果，将泛化差距的特征化表述为互信息和劳特纳信息之和。而最坏情况下的数据生成概率度量和 Gibbs 算法之间建立了一种新的类比关系，具体而言，Gibbs 概率度量被确定为模型空间和数据空间的机器学习算法的基本共性。

Dec, 2023

我们提出了一个新的域泛化任务，用于手写汉字识别，评估了 18 种域泛化方法，并展示了现有方法在该数据集上的性能仍然不令人满意。我们揭示了域泛化方法的更多性质，并主张研究人员参考方法的动态性能进行更全面和可靠的评估。我们将在文章发表时公开我们的数据集，以促进域泛化的研究。

Sep, 2023

这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

Mar, 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

用概率框架和 Quantile Risk Minimization 算法在多个相关训练数据分布中提高性能，实现高概率域泛化，将训练和测试域作为从相同元分布中绘制的关系，并引入更全面的分位数聚焦评估协议，能够优于 WILDS 和 DomainBed 上的现有基线。

Jul, 2022

本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

Oct, 2017

本文通过修改当前领域泛化协议，建议从头开始训练并使用多个测试域来更准确地评估泛化能力，并引入新的排行榜以鼓励未来的领域泛化研究。

May, 2023

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

本研究提出了一种新的域通用泛化（DG）解决方案，将其重新构建为域之间的凸博弈，以及使用基于超模的正则化项来鼓励每个多样化的域增强模型泛化能力，并构造一个样本筛选器来消除低质量样本的影响， 从而证明我们的方法的合理性和有效性。

Mar, 2023