近日，中国计算机学会（CCF）推荐的A类国际学术会议SIGKDD 2024论文接收结果公布。信息与人工智能学院辜丽川教授团队论文“Practical Single Domain Generalization via Training-time and Test-time Learning”被录用。国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称KDD) 是数据挖掘领域的顶级会议,在国际上认可度极高，KDD 2024的Research Track录用率为20%，该论文录用也是我校在CCF推荐A类国际学术会议零的突破。

单源领域泛化的目标是仅利用单个源领域中的数据构建一个具有高泛化能力的预测模型, 其可以很好地泛化到未见过的目标领域。现有的方法聚焦于在训练阶段对模型进行优化，导致模型难以部署到域偏移较大的目标领域上。针对上述问题，该论文首次给出了实用单源领域泛化问题设定，并设计了一种简单有效的求解方法。具体而言，该方法首先在训练阶段利用源域知识建立具有良好泛化能力的模型，然后在测试阶段利用无标记目标领域知识在线更新模型以适应新到来的目标领域数据。在训练阶段，本论文提出了一个新的风格生成器，其使用双重仿生变换来生成风格偏移较大的新数据。此外，本论文引入风格多样性正则化来持续不断生成新风格数据以扩大训练数据的覆盖范围，并引入对象一致性正则化来捕获当前生成的数据与原始数据之间的一致性，使模型在训练阶段过滤更多的风格信息。在测试阶段，本论文引入了一种样本感知和锐度感知最小化方法，利用无标记目标领域中的知识寻找一个熵最小的平坦曲面来进一步优化模型。

安徽农业大学为唯一完成单位，信息与人工智能学院计算机科学与技术系特任教授杨帅为第一作者，2022级计算机科学与技术专业研究生张震为第二作者，辜丽川教授为通讯作者。该研究得到了国家自然科学青年基金、安徽省自然基金面上项目、安徽省高校协同创新项目和安徽农业大学人才启动基金的资助。（文/图杨帅 编辑/邓菁菁 预审/辜丽川）