该文综述领域泛化研究，核心是通过学习域不变表示应对分布漂移。主要方法包括：概率框架下的隐变量生成器识别协变量漂移与概念漂移；潜在域混合聚类结合对抗学习，无需域标签；多任务两阶段表示学习并解耦潜在空间；对抗生成网络学习域间变换不变性；基于类条件分布的域不变特征；基于模型的同变性建模与约束统计学习；自动编码器提取稳定潜在因素；信息论分析揭示不变表示存在基本权衡；以及学会学习优化辅助损失。

该研究提出了半监督知识蒸馏框架，用于学习通用的域不变表示，以适用于每个新的人重新识别场景。在 FastHuman 基准测试上验证了该框架的有效性，可与目标领域上的监督学习相媲美。

本文介绍了一种利用多个标记数据集学习通用的域不变表示的方法，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，提出了一个半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了其有效性，可与目标领域上的监督学习相媲美。