本文在探讨域自适应的过程中，提出了一种使用Wasserstein度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

Oct, 2016

本文针对无监督域自适应问题，假设两个域的联合特征/标签空间分布之间存在非线性变换，提出了使用最优输运解决此问题的方法，并在实际分类和回归问题中证明了方法的高效性及超越现有技术的性能。

May, 2017

本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

Jun, 2019

本文介绍了一种新的方法——加权联合分布最优输运，它利用源分布的多样性来解决多个标记源数据集到未标记目标数据集的领域适应问题，同时在源和目标分布之间寻找最优的输运对齐和重量重新平衡。 数值实验表明，该方法在模拟和现实数据集上实现了最先进的性能。

Jun, 2020

提出了一种2步最优传输方法，对源分布进行到目标分布的映射，并针对目标分布中新增的类别开发了双重方法以解决这个问题，最终得到表现优于现有技术的结果，并将该方法应用在源和目标分布同时具有标签和特征变换的情况下以证明其鲁棒性。

Oct, 2020

通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

Apr, 2023

本文提出了一种基于最优传输的领域适应方法，使用仿射映射的封闭形式解决方案，并学习一个嵌入空间，使得该解决方案是最优且计算复杂性较低的。我们证明了该方法在同质和异质适应设置中均有效，并且优于或与其他基于传统OT和不可比空间的著名基线相当。此外，我们展示了我们的方法大大降低了计算复杂性。

May, 2023

无监督领域自适应方法中引入了一种新的方法-称为类感知最优输运（OT），用于测量来自标记源领域的分布与源和目标数据分布的混合之间的OT距离。我们的类感知OT利用了一个成本函数，该函数确定了给定数据示例与源类条件分布之间的匹配程度，通过优化这个成本函数，我们可以找到目标示例与源类条件分布之间的最佳匹配，从而有效地解决了两个领域之间发生的数据和标签偏移问题。为了高效处理类感知OT问题，我们提出了一种使用深度神经网络来制定输运概率和成本函数的摊薄解决方案。此外，我们还提出了最小化类感知高阶矩匹配（HMM）来对齐源领域和目标领域上相应的类区域的经济计算方法。在基准数据集上进行的大量实验证明了我们提出的方法明显优于现有的最先进基准线。

Jan, 2024

通过最优传输探索领域适应的研究，提出了一种新颖的方法，通过高斯混合模型对数据分布进行建模，从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。

Mar, 2024

本文解决了通用领域适应（UniDA）中知识迁移面临的领域与类别偏移问题。提出了一种新颖的方法，称为小批量原型部分最优传输（m-PPOT），用于实现部分分布对齐。实验结果表明，该方法在性能上优于现有的最先进UniDA方法，具有重要的应用潜力。

Aug, 2024