现有的少样本医学图像分割模型未能有效解决领域转移问题。本文提出频率感知匹配网络（FAMNet），通过频率感知匹配模块和多光谱融合模块，提升了跨域分割性能。

本研究探讨了基础模型在有丝分裂图形分类中的有效性，结果显示端到端训练的ResNet50模型在不同数据量下均优于FM模型，并且FM模型在领域转移方面表现不佳，推翻了之前的假设。

本研究提出了一种元学习方法，解决了自主作物导航中的领域转移问题，能够快速适应新环境，提高低数据条件下的导航稳定性，具有重要应用潜力。

本研究提出了一种新颖的生成增强方法，旨在解决开放世界场景中分割模型在识别领域和语义分布转移方面的挑战，从而提升OOD检测和领域泛化性能。

本文提出了一种新方法，通过利用上下文信息优化深度网络训练，以解决视觉数据标注不足的问题。研究引入上下文多样性，提出数据修复算法以减少模型偏差，并建议使用类基注释应对领域转移。优化数据策略和融入人类反馈显著提升模型在复杂环境下的表现。

本文提出了一种新方法，解决泊松回归中的数据抽样效率问题。通过引入复杂度参数和领域转移，显著降低了对输入参数的依赖，尤其在处理ID链接和平方根链接时，提供了新的界限和影响。

本研究提出DomainSum基准，解决抽象摘要中领域转移被忽视的问题。研究发现领域转移影响具有层级结构，并评估了预训练和大型语言模型的领域泛化能力。

由于机器学习模型规模庞大，单机训练困难，联邦学习被广泛应用。但模型在新设备上可能因领域转移而难以泛化。本文介绍了RF-TCA，一种加速计算的转移组件分析方法，并扩展为FedRF-TCA，适用于联邦领域适应，通信复杂度与样本大小无关，性能优于现有方法。实验表明FedRF-TCA性能卓越且对网络条件稳健。

本研究提出IRASNet框架，通过杂波减少模块和对抗学习，解决合成数据领域转移问题，提高SAR数据识别性能。

本研究提出了一种新的设备内学习架构，通过学习用户语音特征来解决无人工场景中分类器准确性调整的问题。实验证明该架构在领域转移和少样本学习方面具有良好的性能。适用于电池供电微控制器的TinyML应用。

自我监督学习方法通过解决预设任务，利用无标签数据进行模型训练，降低成本。研究发现线性/kNN探测协议是最好的预测器，批归一化对领域转移有重要性。挑战区分性和生成性自我监督方法之间的关系，发现性能差异可通过模型解释。

最近，人工智能（AI）技术在学术和行业中有显著发展。领域转移和概念漂移是两个相关研究领域，旨在解决数据变化问题。本文概述了这两个领域的最新方法，并提出了一个三阶段问题分类方案，为研究人员提供了一个新的范围，探索技术策略并解决数据变化挑战。

本文研究了深度增强学习中的可塑性损失和缓解方法。发现在领域转移情况下，可塑性损失普遍存在，而一类“再生”方法能够在各种环境中缓解可塑性损失。

本研究提出了一种基于医学知识先验的知识增强瓶颈模型（KnoBo），通过检索增强语言模型，设计适当的概念空间，并采用自动训练过程来识别概念，以提高医学模型对领域转移的适应能力。在广泛的20个数据集上评估了不同知识资源和识别架构，在混淆数据集上，KnoBo的性能平均超过精调模型32.4%。最后，评估表明PubMed是使医学模型对领域转移的敏感性降低的有希望的资源，在信息多样性和最终预测性能上优于其他资源。

该论文提出了一种全局到局部的方法来解决 RGB-D 抓握检测中的领域适应问题，并获得了令人满意的结果。

深度学习模型在视觉任务中表现出色，但易受领域转移影响。提出一种无监督 TTT 技术，通过聚类任务提高分类性能。实验证明在常见测试时适应基准上具有竞争力。

该论文提出了一种全局到局部的方法来解决 RGB 和深度数据之间的差距以及多模态特征对齐的不足。实验证明该方法有效，能够显著减小领域转移并获得令人满意的结果。

本文介绍了一种基于层级注意力双向LSTM网络的主题分割器，通过添加辅助任务和自注意力来建模上下文，超过了SOTA方法，在领域转移和多语言场景中表现出鲁棒性和有效性。

本文研究了基于预训练语言模型的文本分类任务在主题分布变化时的性能差距，并验证了经典PLMs和现代大模型都面临领域转移的挑战。通过增加主题控制的合成文本，F1得分在某些主题上提高了50％，但其他主题则没有改进。该方法适用于其他分类任务。