本论文提出了一种新的深度架构领域适应方法，可通过大量源域标记数据和大量目标域未标记数据的训练而实现。在提出的方法中，深层特征在源域的主要学习任务上是有区分性的，而且对于域之间的变化具有不变性。而通过增加几个标准层和简单的梯度反转层的方法可以实现该适应行为，并且此方法在图像分类实验中表现非常出色。
Sep, 2014
本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。
Feb, 2015
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
在领域自适应中，为了解决来自不同领域的相关但不同的数据对分类器性能的影响，该研究使用了两个流的架构，其中一个处理源领域的数据，另一个处理目标领域的数据。在有监督和无监督的情况下，该方法均优于现有技术，并在多个物体识别和检测任务中实现了更高的准确性。
Mar, 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
本文提出一种基于相似性学习和原型表示的分类方法，能够在无监督领域适应中学习特征，并实现跨域分类任务，在多种常见场景下表现出最先进的性能水平。
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