本文介绍了一种基于核方法的算法 Domain-Invariant Component Analysis，通过最小化域间差异并保留输入输出间的功能关系，学习一个不变转换来实现从已知相关领域到未曾接触领域的知识迁移。学习理论分析表明，减少差异可以提高分类器在新领域上的期望泛化能力。实验结果表明，DICA 成功地学习了不变的特征并改善了分类器的性能。

Jan, 2013

本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

Aug, 2021

本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在 VisDA 上实现了最先进的性能（85.4％）。

Aug, 2021

通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和共享表示的可视化结果，从而能够解释领域适应过程。

Aug, 2016

本文提出了一种基于支持向量机的监督领域适应技术，通过模拟源域和目标域之间的支持向量机决策边界的相似性，将源支持向量机和目标支持向量机相耦合，并将模型简化为标准的单支持向量机。我们在多个数据集上测试耦合支持向量机，并将结果与其他流行的支持向量机领域适应方法进行了比较。

Jun, 2017

提出一种用于领域自适应的无源自适应方法，通过将 SFDA 视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练，同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.

May, 2022

本文提出了一种基于二阶或更高阶散布统计量的混合对齐方法，名为二阶或更高阶知识转移（So-HoT），用于域自适应，并在几个基准测试上获得了最先进的结果。

Nov, 2016

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

本文提出了一个视觉监督领域适应和泛化深度模型的统一框架，利用孪生网络结构来学习判别性嵌入子空间，通过点对代理的分布距离和相似性来解决少量目标数据样本标注的情况下，语义概率分布的对齐与分离问题。研究表明该方法在快速自适应方面的优势表现出来，并且只需要极少量的标注目标训练样本，甚至每个类别仅需一个标注样本就可以发挥有效性。此外，该方法还可扩展到领域泛化，并且实验证明该方法在两个应用领域都有很好的效果。

Sep, 2017

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