本研究提出了一种选择性微调方法，旨在解决EEG数据在不同受试者和环境下的变异性问题。通过领域对齐机制和地球移动者距离（EMD），该方法显著提升了模型在领域转移数据上的表现，增强了其鲁棒性和适应性。

我们提出了一种方法，通过多层次抽象提升图像分类在不同医院的普遍性。利用自监督和领域对齐模块提取不变特征，并通过编码器分类医院标签来减少冗余。实验显示，该模型在不同医院的图像中表现出更高的鲁棒性和普适性。

本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过添加扰动实现领域对齐。同时，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架。通过消融研究和与最先进方法的比较，验证了该方法的优势。

本文提出了一种名为EDDA的新MDR方法，通过嵌入解缠推荐器和领域对齐来解决两个挑战。EDDA在模型级别和领域间部分进行解缠，并利用图处理中的随机游走来识别相似用户/项目对，增强知识传输。实验结果表明，EDDA在所有数据集和领域上优于基线。