提出了一种基于子空间识别理论的多源域自适应方法，它能在较少的约束条件下实现域不变和特定变量的脱钩，通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术，凸显其在实际应用中的有效性。

Oct, 2023

本文介绍一个基于层级结构的领域自适应技术，用于适应在源域上学习的分类器以在目标域上运行，这种方法利用源域和目标域特征所展开的子空间，探究了数据的层级组织，并考虑了源域和目标域的多个子空间。我们对不同的基于子空间的领域适应技术在这种情况下进行了评估，并观察到，基于层级结构的不同子空间相比于非层级基线方法产生了一致的提高。

Jan, 2015

提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

Jul, 2017

本文提出了一种基于随机次梯度下降优化学习问题的交替优化技术，以在几个域适应任务上展示其性能，该技术旨在同时学习源子空间和预测函数，最小化正则化误分类损失。

Nov, 2014

本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性匹配。我们进一步认为共享相同标签的样本形成更紧凑的聚类，同时拉开来自不同类别的样本。我们针对手工制作和深度网络功能使用我们的提案进行全面评估和对比，并在视觉领域自适应任务中展示了我们的实验，即使是用简单的最近邻分类器，这种方法也可以胜过几种最先进的方法。

Nov, 2016

该论文提出了最大独立领域自适应（MIDA）和半监督 MIDA（SMIDA）算法，用于解决传感器和测量领域中离散和连续分布变化等背景信息的领域适应问题，并在合成数据集和四个现实世界数据集上进行了验证。

Mar, 2016

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

Jul, 2018

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

本文介绍了基于子空间对齐的领域自适应方法，用以实现在没有来自目标领域的标签情况下，在新的实际目标场景中实现高质量的物体检测。我们将 RCNN 目标检测器和子空间适应方法相结合，通过获取来自源域和目标域的检测结果来实现对局部映射的适应，从而提高物体检测的性能。我们在 PASCAL VOC 和 Microsoft COCO 等现实世界中的数据集上进行了评价。

Jul, 2015