本研究提供了多源适应问题的全面解决方案，包括新的规范化解决方案、条件概率下的新保证、权重组合解决方案以及实验结果等。
May, 2018
应用混合数据源的学习模型，解决估算最佳源混合和在计算上有效地解决各目标的经验风险最小化问题，并利用超参数神经网络学习目标模型的方法。
Sep, 2023
本文提出了一种采用语义条件分布相似性来聚合多源领域的方法，同时在三种常用的场景下选择相关源的框架，并通过实验验证了该方法的有效性。
May, 2021
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多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。
Jul, 2018
本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。
May, 2017
研究使用一种加权随机块模型进行社区发现，并使用最大似然估计法，通过测量社区成员的弦端点权重分布的 Renyi 散度确定最大似然估计的成功和失败的临界值；结果表明，这种方法有助于处理加权块模型中的社区发现，并能够将其推广应用于其他相关问题，如筛选块模型和细分矩阵定位。
Sep, 2015
本文重新审视了一种非常简单却非常有效的计算范例 —— 深度相互学习，并且从一个新颖的角度阐释了 DML 的性能改进。本文提出了一种新的方法 RDML（Rényi Divergence Deep Mutual Learning），证明了 RDML 的优势。
Sep, 2022
本论文提出了一种用于多源无监督领域自适应的专家混合方法，旨在显式地捕获目标示例与不同源域之间的关系，以点到集度量为表达方式，通过元训练无监督地学习这个度量，并在情感分析和词性标注方面进行实验，证明了我们的方法始终优于多个基准线，并可以稳健地处理负迁移。
Sep, 2018
使用信息论工具从表示学习的角度推导了多源域自适应（MDA）的新型分析。具体而言，研究了具有少量目标标签的监督 MDA 和具有伪标签的无监督 MDA 的联合分布对齐，提出了一种隐式处理目标偏移的新型深度 MDA 算法，最后扩展了相互信息边界以提供一种非平凡的梯度范数估计。所提出的算法在目标偏移 MDA 基准测试中具有与最先进技术相当的性能，并具有改进的内存效率。
Apr, 2023