本文介绍了一种针对域自适应问题的新型分布距离度量——偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

Feb, 2009

本文基于 PAC-Bayesian 理论对领域自适应进行了理论分析，提出了 Germain et al. 等人之前领域适应界限的改进方法，首先给出了另一个更紧密且易于解释的泛化界限，此外，还为界限中出现的常数项提供了新的分析，这对于开发新的算法解决方案非常有趣。

Jan, 2015

本文在PAC-Bayesian理论中提供了两个主要方面的贡献，分别是基于新的分布伪距离提供一个更紧的PAC-Bayesian领域适应性边缘；另外实现了对多源领域适应性的推广。

Mar, 2015

研究PAC-Bayesian领域适应的问题：从源域学习一个专门针对目标域的多数表决模型。通过导出目标风险的上限，我们提供了一个新视角来控制误差度量和投票者不一致之间的权衡。我们根据这个结果推导了一个PAC-Bayesian的广义上限，并将其特化到线性分类器。最后，在实际数据上进行了实验。

Jun, 2015

该论文提出了一种名称为CDDA的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

Apr, 2017

本研究提出了一种加权MMD方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了MMD忽视类别间重量偏差的问题。实验表明，加权MMD方法优于传统的MMD方法在域适应中的表现。

May, 2017

提出了一种基于正则化的学习算法 Regularized Learning under Label shifts(RLLS)，该算法能够校正源域和目标域之间标签分布的转移，通过估计带权重的源目标数据并训练分类器，并以此推导出分类器在目标域的泛化边界，提出了一种小样本区间和大转移区间下考虑权重估计的正则估计器，实验证明，相比现有方法，RLLS能够提高分类准确率，特别是在低样本和大转移区间。

Mar, 2019

本研究提出了一种基于能量的样本适应方法，通过将看不见的目标样本适应到源训练模型上，实现领域泛化分类，并通过引入分类潜变量和能量最小化等手段，有效地实现了对样本的量化表示。

Feb, 2023

本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高置信度目标样本，在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是，我们通过先验地推断源样本原型来确保源数据的隐私，从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析，涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性，展示了其相对于现有最先进PDA方法的优越性。

Sep, 2023

我们提出了一种解决方案，通过探索超过一阶矩来稳健地对齐分类分布，克服了现有方法在部分领域适应设置中由私人来源类别的不希望样本引起的负转移和降低分类性能的问题，同时设计了强健的伪标注以实现高效的目标监督。实验结果和消融分析表明，我们提出的模型相比基准模型表现更优。

Oct, 2023