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

本文提出了一种称为可学习流形对齐（LeMA）的新型半监督交叉模态学习框架，通过学习一种联合图结构来捕获数据分布，从而实现更准确的决策边界，以解决遥感图像分类中使用大量谱变化模糊的多光谱数据所带来的挑战。

Jan, 2019

本文提出了一种半监督流形对齐方法，可以处理不同模式 (或领域) 的遥感图像，涉及多时间序列、多源、多传感器和多角度图像。该方法直接在图像的流形空间上进行对齐，并能够处理分辨率不同的图像。 在多角度、多时间序列和多源图像分类问题上，该方法表现出很好的性能和准确性。

Apr, 2021

该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

Feb, 2020

提出了一种基于流形的几何学方法，用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化，并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明，该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法，尤其对于远程语言对的性能改进更为显著。

Apr, 2020

通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。

Apr, 2018

本文提出了基于流形对齐的样式转换方法（MAST），通过假设图像的特征分布符合多重流形分布的假设，可以学习到图像的语义区域与样式模式的匹配关系，通过自适应权重跳跃连接网络结构来保留内容的细节，从而实现艺术风格和真实感风格的转换。

May, 2020

提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

Aug, 2020

利用核函数的奇技淫巧在嵌入空间下将多流形建模问题转化为混合线性建模问题，并提出了一种名为 Kernel Spectral Curvature Clustering 的算法，能够通过光谱聚类方法从多方面的相似性中将多种动作区分开来。

Sep, 2009

本文提出了基于核对齐理论的线性判别分析新公式 kaLDA，并使用 Stiefel 流形梯度下降算法，对多种单标签和多标签数据集的实验结果表明，kaLDA 有良好的性能表现。

Oct, 2016