该研究论文提出了一个公平且对比度特征空间正则化的算法，名为 FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

Jun, 2023

域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过 Selective Channel Pruning 和 Micro-level Distribution Alignment 两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

Sep, 2023

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023

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

本文介绍了机器学习发展的过程及其在领域自适应和领域泛化方面的应用，重点介绍了联邦域泛化的概念和相关算法，分类为联邦域对齐、数据处理、学习策略和聚合优化，并提供了常用的数据集、应用、评估和基准，这些研究对解决在不同领域和分布数据上广泛存在的泛化问题具有重要意义。

Jun, 2023

我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

Mar, 2024

通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

Jul, 2023

本文提出了一种基于文本信息的显式对比学习机制，通过使用文本编码器特征来学习更强大的特征表示，以增强模型对数据的理解，从而在不同的分割任务中实现了更强大的性能。

Apr, 2024

提出了一种单边领域泛化（SSDG）框架，通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布，从而提高了面部反欺骗的泛化能力，并使用端到端的训练方式，通过实验证明该方法在四个公共数据库上优于现有的方法。

Apr, 2020

通过从样本和特征角度出发，强调相关联系并消除不相关联系，我们提出了两个模块，用于提高模型的泛化能力，从而获得跨多个领域的领域不变表示，实验结果表明，嵌入这两个模块的卷积神经网络（CNNs）或多层感知机（MLPs）能够取得优秀的结果，例如在 Digits-DG 上的平均准确率为 92.30%。

Jan, 2024