- 大规模多域推荐：一种自动领域特征提取和个性化整合框架
提出了一种用于大规模多领域推荐的自动领域特征提取和个性化整合（DFEI）框架，通过自动将每个用户的行为转换为该领域内所有用户行为的聚合，提取出与目标标签直接相关的高阶领域特征，并通过个性化整合其他领域的领域特征和创新的训练方式来实现更准确的 - 基于因子化张量网络的多任务与多领域学习
通过使用因式分解张量网络（FTN）的方法，可以在几个参数增加的情况下，实现与独立单任务 / 领域网络相媲美的准确性。FTN 利用源模型中的冻结骨干网络，并逐步添加任务 / 领域特定的低秩张量因子到共享的冻结网络，从而能够适应大量的目标领域和 - 预算感知剪枝：用较少的参数处理多个领域
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。
- 解耦训练：令人沮丧的易于多域学习的回归
我们提出了一种名为 Decoupled Training (D-Train) 的多领域学习方法，它通过分为多个头部进行先预训练再后训练，最后通过固定骨干网络对头部进行微调，实现了领域的独立，尽管该方法非常简单且高效，在各种数据集的广泛评估中 - 调制适配器多领域学习
本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。
- 基于扰动的双阶段多领域主动学习
本研究提出了一种新颖的基于扰动的两阶段多域主动学习（P2S-MDAL）方法，它包括分配域的预算、建立多样性选择的区域，并进一步用于选择每个区域中最具交叉域影响力的样本。在三个现实世界数据集上进行的实验表明，与传统的 AL 策略相比，该方法具 - 不充足注释下的多域学习
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 - 显微镜图像分类的多领域学习卷积神经网络模型
本文提出了一种多领域学习架构用于显著不同的显微镜图像的分类，使用新的优化技术规范训练期间的潜在特征空间来提高网络性能。通过在三个不同的公共数据集上进行评估，该分类器优于现有技术，对有限标记数据稳健，并且切换到新实验时帮助消除设计新网络的负担 - 使用统一文本到文本转换 Transformer 进行极端多领域、多任务学习
研究了多领域文本转换转换器在 Python Code 和 Chess 领域中 4 个任务上的行为，发现 GPT 风格的联合预训练 + 联合微调策略在多领域，多任务学习中表现最好。
- ECCV更新人脸反欺诈模型的多域学习
本文提出了一种针对多种领域的人脸防欺骗的新模型，使用简单且有效的欺诈区域估计器 (SRE) 来识别欺诈痕迹，并提出了一个名为 FAS-wrapper 的新框架，以协助从已有的预先训练的模型中转移知识并与不同的 FAS 模型无缝集成。此外，还 - ACL开放域响应生成的多领域语料库平衡学习
本文研究如何针对不同领域生成相关的回答。通过探讨交错训练、多领域学习和基于域特定频率的加权训练方法，我们提出了一种新的词级别重要性权重度量 DF，并通过将其整合到损失函数中，得到了显著的改进。
- 语义图像分割的无监督域自适应：综述
本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。
- 多领域增量学习用于语义分割
提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法，旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路 - AAAI多领域学习中的迁移和干扰分离
本研究研究了多域学习中的迁移学习，提出了新的度量标准，建立了实验协议，并研究了网络容量、任务分组和动态损失加权在减少干扰和促进知识迁移方面的作用。
- 使用领域和任务感知的参数化方法进行多域口语理解
本文研究的问题是如何在多个领域中通过使用共享参数实现联合培训的同时，利用领域特定和任务特定的模型参数来改进知识学习和转移的提取方法，并在 5 个领域进行了实验证明。结果表明，该模型对于多领域语言理解问题更为有效，并且在适应数据较少的新领域时 - CVPR车辆重新识别的多域学习和身份挖掘
本文介绍了我们在 AICITY20 的 Track2 中的解决方案，该方案使用多域学习法联合真实世界和合成数据训练模型，并提出了 Identity Mining 方法自动生成部分测试数据的伪标签，同时使用轨迹级重新排序策略和多模型集成，模型 - CVPR多域解缠表示学习的跨域人脸攻击检测
提出了一种用于跨域人脸展示攻击检测的高效解耦表征学习方法：DR-Net 和 MD-Net。实验表明，该方法有效解决了传统方法中因训练集主体特征过拟合而导致无法很好地泛化到未知情景的问题。
- AAAI多域学习 GANs 的有效数据增强
该论文提出了基于生成对抗网络的数据增强方法，使用多域学习 GAN 将外部数据集的知识导入目标模型中以生成目标任务的新样本，从而提高深度学习应用中的数据开发效率并在图像分类任务中取得了更好的分类精度。
- CVPR通过协方差归一化实现高效多域网络学习
本论文研究了深度神经网络的多领域学习问题，并提出了一种自适应层和称作协方差规范化（CovNorm）的简单方法来减少其参数。实验证明，在目标数据集顺序或同时可用的情况下，CovNorm 可以与全面调整的网络具有相当的性能。
- ICCV多域学习的预算感知适配器
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