机器学习模型在很大程度上依赖于海量训练数据的可用性。对于资源匮乏、标签良好的数据难以获取的场景，进行跨领域知识转移非常重要，即从现有领域向目标领域进行知识转移。针对这一问题，迁移学习和领域适应研究取得了很大进展。除了这些进步之外，学习能够在任何新的看不见的环境中很好地推广的模型也是非常重要的。这促使研究社区开发算法，以更好地利用现有的训练领域，同时处理它们的分布转移。

教程地址：https://dgresearch.github.io/

本教程致力于介绍领域泛化(DG)的最新进展。与假设目标域数据可用性的迁移学习和域适应不同，DG更进一步，不需要访问目标数据。DG的目的是从一个或多个具有不同概率分布的训练域学习一个广义模型，并能很好地实现非分布泛化。潜在受众将是机器学习研究人员和行业从业者，对迁移学习、领域适应和泛化特别感兴趣。我们的教程旨在使这些技术在实际应用中更容易学习和使用。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除