本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

Jan, 2013

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。

Nov, 2017

本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

Jan, 2019

研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。

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

本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

Feb, 2021

本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

Nov, 2022

本文研究基于ImageNet预训练特征提取器的共同学习框架，以提高面向目标域的伪标记质量并进行迁移学习，同时使用熵最小化来提高非伪标记样本的预测精度，并在三个基准数据集上进行评估。结果显示，该方法优于现有的面向源自由域适应方法和假设联合访问源和目标数据的无监督域适应方法。

Dec, 2022

提出了一种用于Source-Free Domain Adaptation的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用Domain Adaptation技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

Oct, 2023