域适应
模型在源域训练后迁移到分布不同的目标域时保持性能的技术，遥感中常面临传感器、光照、季节等引起的协变量偏移
时间轴 (近 90 天)
合成数据生成通过域随机化或域适应缩小仿真与现实的差距，从而缓解真机采集成本高、危险动作难采集的问题。
在医疗ML领域，小数据场景下的方法研究往往聚焦于归纳偏置设计、小样本学习、域适应或可解释性模块，而非大规模预训练。
域适应研究如何将源域上训练的模型迁移到分布不同的目标域，医疗场景中常表现为跨医院、跨设备或跨人群迁移。
缩小仿真与真实数据之间域差距的常用策略包括域适应、对抗训练以及用少量真实数据做微调，但这些方法需要真实标注数据，在AD场景下恰恰是稀缺资源。
据原文所述，尽管域适应方法近年来取得了不少进展，但在域偏移场景下，模型性能仍然存在显著差距。
HaCKRS的配对结构为多模态学习、域适应和弱监督学习提供了天然的实验平台，因为同一场景同时存在高质量和低质量两种观测。
单农场仅有约18个月的5分钟分辨率数据，概率模型校准所需数据多于确定性模型拟合所需数据，因此依赖物理仿真器生成合成数据并用域适应损失微调。
传统上，遥感领域中的少样本学习、域适应、多模态融合等被视为彼此独立的研究问题，各有不同的方法体系。
域适应对应验证器要求模型在来自不同传感器或不同地理区域的独立数据上保持性能。
在该研究框架下，域适应不再需要单独设计对抗训练或特征对齐等算法，智能体可自动搜索出缩小域间差距的模型方案，包括风格迁移、自监督预训练或测试时自适应等技术。
还有 5 条时间轴事件
全部知识事实 (15)
合成数据生成通过域随机化或域适应缩小仿真与现实的差距，从而缓解真机采集成本高、危险动作难采集的问题。
50%待验证在医疗ML领域，小数据场景下的方法研究往往聚焦于归纳偏置设计、小样本学习、域适应或可解释性模块，而非大规模预训练。
50%待验证域适应研究如何将源域上训练的模型迁移到分布不同的目标域，医疗场景中常表现为跨医院、跨设备或跨人群迁移。
50%待验证缩小仿真与真实数据之间域差距的常用策略包括域适应、对抗训练以及用少量真实数据做微调，但这些方法需要真实标注数据，在AD场景下恰恰是稀缺资源。
50%待验证据原文所述，尽管域适应方法近年来取得了不少进展，但在域偏移场景下，模型性能仍然存在显著差距。
50%待验证HaCKRS的配对结构为多模态学习、域适应和弱监督学习提供了天然的实验平台，因为同一场景同时存在高质量和低质量两种观测。
50%待验证单农场仅有约18个月的5分钟分辨率数据，概率模型校准所需数据多于确定性模型拟合所需数据，因此依赖物理仿真器生成合成数据并用域适应损失微调。
50%待验证传统上，遥感领域中的少样本学习、域适应、多模态融合等被视为彼此独立的研究问题，各有不同的方法体系。
50%待验证域适应对应验证器要求模型在来自不同传感器或不同地理区域的独立数据上保持性能。
50%待验证在该研究框架下，域适应不再需要单独设计对抗训练或特征对齐等算法，智能体可自动搜索出缩小域间差距的模型方案，包括风格迁移、自监督预训练或测试时自适应等技术。
50%待验证应对Sim-to-Real落差的常见策略包括域随机化、域适应以及构建更高保真度的物理仿真环境
50%待验证研究鲁棒性的项目最有价值的做法是将多种域适应方法作为对照组横向比较，而非单选一种
50%待验证域适应（Domain Adaptation）的核心目标是让在源域上训练的模型能够良好泛化到分布不同的目标域
50%待验证域适应（Domain Adaptation）试图通过对抗训练或风格迁移等手段让合成图像在视觉上更接近真实图像
50%待验证域适应假设可以访问目标域的无标签数据，通过对抗训练（如DANN梯度反转层）、MMD最小化或最优传输方法对齐源域和目标域的特征分布
50%