该论文提出了一种名为Deep Transfer Network的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

Mar, 2015

本研究提出一种用于视觉领域适应的CNN架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

本研究介绍了一种叫做JAN的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

May, 2016

本文介绍了一种神经网络结构——附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

Nov, 2017

本文通过提出Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

Mar, 2019

该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

May, 2020

本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

Mar, 2021

该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法，通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐，从而不需要敌对训练且收敛速度快，在对象识别和数字分类任务中均取得了显着的结果。

Jun, 2021

通过层变化分析等方法，本研究建立了深度学习中转移学习的理论模型，揭示了其成功的数据条件与知识传递过程，并且提出了一种针对网络的转移学习方法，有效提高了域适应的效率和准确性。

Feb, 2023