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

通过重写样本的方法，设计出适用于少量标记样本目标域的有效预测器，并提出了适用于标记数据较少或目标域不存在标记数据的标准域适应问题的改进解决方案和算法。

May, 2023

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

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

本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

Jan, 2019

我们提出了一种新的度量源域和目标域之间差异的度量器称为 S-disc，利用源域标签计算效率和计算误差均有所提升，可用于比现有方法更紧密的推广误差界和提供更好的实验结果。

Sep, 2018

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