多域学习：一种机器学习/深度学习方法，旨在让模型同时从多个不同“域”（如不同数据来源、风格、场景或分布）中学习，并提升在新域或跨域任务上的泛化能力。常与域适应（domain adaptation）、域泛化（domain generalization）等概念相关。（在不同语境下也可泛指“跨多个领域的学习”。）
/ˌmʌlti doʊˈmeɪn ˈlɝːnɪŋ/
We use multi-domain learning to train one model for several datasets.
我们使用多域学习来训练一个模型，使其适用于多个数据集。
By combining medical images from different hospitals, multi-domain learning helps reduce performance drops caused by dataset bias and improves robustness in real-world deployment.
通过整合来自不同医院的医学影像，多域学习有助于减少由数据集偏差带来的性能下降，并提升模型在真实部署中的稳健性。
该短语由 **multi-**（“多、多个”）+ domain（“领域/域”，在机器学习中常指数据分布或场景）+ learning（“学习”）构成。它在近年机器学习研究中流行，用于强调：模型训练不只依赖单一数据分布，而是显式利用多个域的信息来提升迁移与泛化能力。
Select Language