- 跨领域少样本分类的自适应语义一致性
通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。
- ACLMetaAdapt: 基于 Meta Learning 的领域自适应小样本谣言检测
本文提出 MetaAdapt，一个基于元学习的方法，旨在解决在社交媒体等新兴领域中针对虚假信息检测的数据稀缺性问题，具有更好的领域适应性、优秀的表现和大幅减少的参数。
- ECCV通过从源领域推广基础视觉因素来克服目标领域的捷径学习
本文提出一种新方法来缓解深度神经网络在无控制目标域中过度依赖训练数据集中的伪相关性。 该方法通过扩展训练集并引入一个特定设计的源域来促进独立表示的学习，从而检验我们的想法。我们的主要发现是利用来自源域的数据是缓解跨域组合泛化中的快捷学习的有 - EMNLP领域通用问答中的过度拟合或欠拟合？一项实证研究
研究机器学习模型普遍出现的过拟合问题，探讨多源域泛化主要的问题是减轻源域欠拟合，使用知识蒸馏等方法提高源域学习表现可改善模型在跨域任务中的表现。
- CVPRWildNet：从野外学习领域通用的语义分割
本文提出了一种新的领域通用语义分割网络 WildNet，该网络通过利用来自野外的各种内容和样式来学习领域通用特征，通过源域的内容和样式的多样性，提高对未知目标域的泛化能力，取得了显著的性能提升。
- ICLR跨越极端任务差异的少样本迁移自训练
本文介绍了一种解决领域差异的简单有效方法：在目标域的未标记数据上进行基于自我训练的源域表示法预训练，从而改善在目标任务上的一次性性能。在 BSCD-FSL 基准测试中，本方法使目标域的一次性性能平均提高了 2.9 点。
- 自我监督下的无监督领域自适应
本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取 - 建立跨领域人员再辨识强基线：最公平的它们
此研究针对跨领域的人物重识别问题，通过建立一个经过全面分析的大型基线数据集，以及通过在源域和目标域之间平衡选择数据来建立一个实用和强大的基线方法。
- 域不变表示中的支持和可逆性
研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。
- NIPS无监督域自适应的共同正则化对齐
本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。
- 分层迁移学习的跨位置行为识别
该研究提出了一种分层式传递学习（STL）框架，基于分层式距离捕获域的局部特性，可用于人体动作识别中传感器数据的源域选择和知识迁移问题，实验结果表明 STL 的优越性。
- 深度神经网络的少遗忘学习
研究神经网络中的遗忘问题，提出了一种不同于以往的方法来解决该问题，且不会使用源域的信息，此方法在减少遗忘源域信息方面非常有效，同时实验表明使用该方法可以提高网络在识别率等方面的性能。
- ICCV基于语义相似性嵌入的零样本学习
本研究使用混合模型解决无类别学习问题，通过学习相似度函数来映射源数据和目标数据到同一语义空间中，并在交叉验证的过程中联合优化参数，该方法在零样本识别的基准测试数据集上达到了显著的精确度提高。