与离线任务相比，在线任务推理查询时对训练数据的访问受限。毫无疑问，在线自适应面临的数据池明显较小，数据多样性也较低，这意味着在线任务的训练过程存在两个主要缺陷：
我们提出的方法旨在最大限度地减少在线设置的这些缺陷。首先，我们提出通过跨域引导来增加数据多样性，同时在多个独立的学习器中保留数据多样性。然后，我们充分利用这些学习器 电报数据库 之间宝贵的差异性，通过交换它们对当前目标查询的专业知识，实现相互监督。
跨域引导
跨域数据对的多样性对于大多数先前的离线方法的成功至关重要。由于目标样本在在线设置中无法重复使用，我们提出通过引导源域与当前目标域查询形成多样化的组合来增加跨域数据多样性。从高层次上讲，引导过程模拟了在给定源样本多样性的情况下对特定目标查询的多种实现。引导过程带来了对单个目标查询的多视角观察。