在領(lǐng)域泛化 (Domain Generalization, DG) 任務(wù)中，當(dāng)領(lǐng)域的分布隨環(huán)境連續(xù)變化時，如何準(zhǔn)確地捕捉該變化以及其對模型的影響是非常重要但也極富挑戰(zhàn)的問題。為此，來自 Emory 大學(xué)的趙亮教授團(tuán)隊(duì)，提出了一種基于貝葉斯理論的時間域泛化框架 DRAIN，利用遞歸網(wǎng)絡(luò)學(xué)習(xí)時間維度領(lǐng)域分布的漂移，同時通過動態(tài)神經(jīng)網(wǎng)絡(luò)以及圖生成技術(shù)的結(jié)合最大化模型的表達(dá)能力，實(shí)現(xiàn)對未來未知領(lǐng)域上的模型泛化及預(yù)測。本工作已入選 ICLR 2023 Oral (Top 5% among accepted papers)。