本研究介绍了一种新的领域自适应算法，其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数，我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小，一种方法使用所得结果稳定性的理论边界来调整子空间的大小，另一种方法使用最大似然估计来确定子空间的大小。除了 PCA，我们还提出一种子空间创建方法，它在领域自适应中优于 PLS 和 LDA，并在各种数据集上对我们的方法进行了测试，结果表明它的性能优于现有的领域自适应方法。

Sep, 2014

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

本文提出了一种基于多目标领域的自适应 SSVM（A-SSVM）的分层自适应方法，通过利用共性和差异性，提高了目标识别的准确性及精度。对行人检测和对象类别识别进行了验证，发现所提出的 HA-SSVM 相对于其他自适应策略，可以提高识别准确率，并且可以更好地发现目标数据的子域结构。

Aug, 2014

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

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

该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习 domain-invariant features 和 discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

Feb, 2018

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