论文旨在设计主动学习策略，实现基于 Lipschitz 函数假设的领域自适应。通过对 Mansour 等人（2009）的先前工作进行补充，我们将源和目标分布之间的差异距离概念适应于假设类的最大化，来局限于在源域上执行准确标记的函数类。我们针对满足正则条件的一般损失函数导出了这种主动学习策略的推广误差边界，用于兰德马赫平均值和局部差异度量。从理论边界中推导出实用的 K-medoids 算法，可以处理大数据集的情况。我们的数值实验表明，在领域自适应的情况下，特别是在约十万个图像的大数据集上，所提出的算法与其他最先进的主动学习技术具有竞争力。

Mar, 2021

本文提出了新的域自适应算法，优于以前的差异最小化算法，不像以前的算法那样在训练样本上具有固定的损失权重重新加权，我们的算法有坚实的理论基础和更有利的学习界限，并提供了一种有效的解决其优化问题的方法，实验结果表明该算法优于差异最小化。

May, 2014

本研究从理论和算法角度探讨了无监督域自适应的问题，并引入了一种名为 Margin Disparity Discrepancy 的新测量方法，成功地将该理论转化为一种对抗学习算法，极大地提高了域自适应的状态。

Apr, 2019

本文提出了一种新的框架，通过应用获得的领域自适应学习过程的泛化界，分析了学习过程的渐近收敛。为了测量两个领域之间的差异，使用积分概率度量。通过不同的不等式和复杂度测量，证明了领域自适性学习的一些性质，并用数值实验验证了理论结果的正确性。

Apr, 2013

本文提出了一种新的通用领域敌对框架，利用变分 f - 分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

Jun, 2021

本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

Jun, 2021

本文探讨监督学习中数据导致的实际问题，着重于领域泛化研究，提出最小化给定领域对之间差异的方法，并在 EEG 数据集中验证了该策略。

Nov, 2019

该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Apr, 2020

本文分析了用于解决域适应问题的特征学习算法，并提出了一种新的极其简单的特征学习算法，用于域适应，并扩展了该算法以利用多层，从而导致深度线性模型。实验结果展示了这些算法的有效性。

Sep, 2015

本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

Mar, 2019