标签
This paper proposes OSPDIM, a source-free online unsupervised domain adaptation framework for EEG-based BCIs that corrects geometric misalignment caused by class-imbalanced label shifts on the Riemannian manifold, outperforming standard alignment methods in online scenarios.
一项系统的跨架构实证研究，衡量小语言模型领域适配的可信度成本，发现安全保持的微调策略并不能可靠地迁移对齐性。
本文介绍了一种用于表面EMG手势解码的与电极布局无关的编码器，它无需重新校准即可在多次记录会话中保持识别准确率，并表明在测试时进行特征统计对齐可改善在NinaPro DB6上的自适应效果。
本文提出了一种基于IMU传感器的手写轨迹重建的域适应方法，针对成人和儿童手写信号差异，提高在教育应用中的重建精度。
Voice Memory提出了一种仅推理的方案，用于代理式语音识别：一个冻结的纠正器读取每个领域的记忆文件，为每个话语决定是采取行动还是放弃，从而在不更新权重的情况下降低多个领域的词错误率。
Earnings25是一个500小时的基准，用于评估金融财报电话会议中的自动语音识别，提供对齐的转录文本和结构化元数据，支持考虑说话人和行业的评估。
本文介绍了面向上下文赌博机的跨域离线策略评估与学习（OPE/L），允许利用多个源域的日志数据来改进目标域中的策略评估与学习，这些目标域面临少样本数据、确定性日志策略和新动作等挑战性条件。
本文研究了在气候披露分类的源偏移下，LLM适配策略（定义、示例、微调）的迁移情况，发现定义等简单策略比复杂策略具有更稳定的迁移效果。
提出了一种解耦训练策略，该策略适应归一化层并使用预计算特征来减少迁移学习中的开销，在显著缩短训练时间和降低能耗的同时，达到了有竞争力的准确率。
本文提出一种策略，利用LoRA微调、替代文本问答数据集以及多任务目标，将开源口语语言模型适配至新加坡内政团队语境，在新加坡四种官方语言的五项语音任务上实现了具有竞争力的性能。
RAGU是一款开源的多步GraphRAG引擎，它使用紧凑型7B微调大语言模型（Meno-Lite-0.1），以极低的成本实现高质量知识图谱构建，在基准测试中性能超越大型系统。
本文提出使用Group Relative Policy Optimization（GRPO）来适配基于LLM的ASR模型到监管领域，仅使用合成语音，相较于监督微调实现了40-45%的相对词错误率降低。
提出ROAM框架，利用大型语言模型的世界知识与推理能力，在不重新训练的情况下将冻结的专业模型适配到未见场景，平均绝对误差（MAE）降低超过20%，且额外开销极低。
本文研究了基于深度学习的气候降尺度中的时态分布外偏移问题，并提出了一种域自适应框架，该框架结合了监督重建与域对齐，以在非平稳条件下改进高分辨率气候预测。
本文提出对Sentence Transformer模型进行领域自适应，以自动映射云安全控制与技术指标之间的关系，在控制到指标以及跨标准关联任务上，相比零样本基线取得了显著的性能提升。
本文探讨了在使用冻结的预训练语言模型骨干时，显式域适应方法是否对情感迁移有益，发现其有效性取决于骨干是否已经拥有目标域知识。
本文通过应用加权共形预测，解决了高性能电动汽车动力总成在实际负载下预测热波动性的挑战，在协变量偏移下实现了覆盖率的适度提升。
KARMA 提出了一种基于知识图谱的方法来生成槽位对齐的对比候选项，并使用槽位并行对齐（SPA）在实体槽位级别应用偏好优化，解决了LLM推理监督中的粒度不匹配问题。
PRISM是一个新颖的跨被试脑电图情绪识别框架，它通过轻量级专家集成实现优先级通道重要性加权，并结合使用置信度过滤伪标签的半监督领域适应，在DEAP、DREAMER和SEED数据集上取得了最先进的结果。
介绍 AnyGroundBench，这是一个面向时空视频定位的领域自适应基准，评估了五个专业领域的15个视觉语言模型，发现当前模型在零样本和上下文学习适应中均失败。