在領域泛化 (Domain Generalization, DG) 任務中，當領域的分布隨環境連續變化時，如何準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的問題。為此，來自 Emory 大學的趙亮教授團隊，提出了一種基于貝葉斯理論的時間域泛化框架 DRAIN，利用遞歸網絡學習時間維度領域分布的漂移，同時通過動態神經網絡以及圖生成技術的結合最大化模型的表達能力，實現對未來未知領域上的模型泛化及預測。本工作已入選 ICLR 2023 Oral (Top 5% among accepted papers)。