本文研究深度神经网络领域适应问题，提出了一种无监督领域适应方法 Deep CORAL，该方法可以学习到使深度神经网络层激活之间的相关性对齐的非线性变换，并在标准基准数据集上实现了最先进性能。

Jul, 2016

本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL)，通过对齐源域和目标域的二阶统计信息来最小化领域偏移，而不需要目标标签。相比于子空间流形方法，CORAL 原始特征分布不需要低维子空间基项的对齐，且比其他分布匹配方法更为简单。CORAL 还扩展到了非线性转换对齐深度神经网络中的层激活的相关性，通过在标准基准数据集上取得了最新的性能，最终获得了 Deep CORAL 方法。

Dec, 2016

本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

Oct, 2020

本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

Mar, 2019

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

Jul, 2020

无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

Feb, 2024

本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

Nov, 2018

提出了一种基于图匹配和正则化的无监督领域自适应方法，可用于处理源域和目标域之间的偏差。计算机模拟表明，所提出的方法优于传统的矩匹配方法，与当前的本地域自适应方法具有竞争力。

May, 2018

该研究论文对深度学习与非监督领域自适应进行了综述并对其中一些方法进行了比较，同时探讨了应用领域及未来研究方向。

Dec, 2018