标签
本文提出专家引导的互蒸馏（EGMD）方法，以解决多模态假新闻检测中的领域偏差和语义错配问题，在四个数据集上实现了最先进的准确率，并将领域偏差降低高达57.3%。
一种新颖的、不依赖患者的自动抑郁症检测多模态框架，整合了BiLSTM与模态内和跨模态注意力机制以及域对抗训练，以提高跨说话人的泛化能力。在Androids-Corpus数据集上达到了93.2%的先进准确率。
OPERA提出了一种多智能体集成框架，将专家权重分配视为用于通用生物医学图像分析的离线策略学习问题，实现了无需重新训练的测试时自适应，并在9个数据集和30多个基线上持续提升性能。
提出PP-CPCANet，一种用于领域泛化的无协方差框架，其在Stiefel流形上学习全局正交基，并在四个基准数据集上实现了SOTA性能。
本文介绍了层次化领域泛化，将有限观测区域外推至整个实例空间的形式化。结果表明，无论假设类多么简单，某些领域划分都会使泛化无法实现，并认为现代泛化理论必须将领域结构作为首要因素纳入考量。
FedCausal-Dyn是一种新颖的联邦学习框架，通过将因果特征与虚假变化分离来解决动态特征漂移问题，从而实现稳健的原型聚合。它在联邦领域泛化基准测试上取得了最先进的性能。
本文从理论上分析了领域泛化下线性Transformer的上下文学习，建立了与维度无关的收敛速率，并提出了用于线性化预训练softmax大语言模型的新型激活和损失设计。
提出了一种名为MEDIC的新型元学习策略，用于开放集域泛化，该策略通过域和类别划分间的隐式梯度匹配来实现更优的边界。实验表明其性能达到最先进水平。
UniPET是一种用于PET图像去噪的通用网络，通过域泛化和区域感知学习处理变化的剂量降低因子，达到了最先进的性能。
本文研究了从有限的已见语言对学到的代码切换ASR能力是否可以通过模型合并和域泛化方法泛化到未见过的语言对，结果发现只有有限的迁移。
本文引入了领域泛化数据集蒸馏（DGDD），这是一个新的问题设定，旨在实现蒸馏数据集的分布外泛化，并提出了频谱梯度手术（SGS），通过利用频谱域中的跨域梯度一致性来解耦类判别信息和领域特定信息。
CPCANet 是一种域泛化框架，利用通用主成分分析（CPCA）来发现结构化的域不变子空间，在零样本迁移任务中达到了最先进的性能。
本文提出了 MMDG-Bench，这是一个针对多模态域泛化的统一基准，揭示了当前方法进展有限，并且在不同任务中存在显著的鲁棒性挑战。