通过二阶或更高阶散射张量的混合对齐来实现域自适应
本文提出“散射组分分析”（SCA)算法，使用一种简单的几何度量“散射”为基础，该算法能够应用于域适应和域泛化，并通过散射定量化每个类别之间的可分离性、领域之间的不匹配性和数据的可分离性。结论表明，与其他最先进的算法相比，SCA在跨领域目标识别数据集上的性能更加优越。
Oct, 2015
本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。
Feb, 2016
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
提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。
Jul, 2017
本文提出了一种使用注意力对齐和后验标签分布估计的卷积神经网络自适应无监督域适应的方法，在Office-31数据集上超过其他最先进的方法2.6％。
Jan, 2018
探讨了机器学习中的归纳迁移学习，比较了基于权重转移、深度度量学习和少样本学习三种方法的最新研究，提出了一种基于少量目标域数据微调基于源域数据的嵌入的混合适应嵌入方法，证明了它们在各种域和不同数量和类别的标记数据中的有效性。
May, 2018
该研究提出了一种名为T-SVDNet的新方法，通过将Tensor奇异值分解（T-SVD）结合到神经网络的训练管道中，全面探索多个域和类别之间的高阶相关性，旨在更好地弥合域差距，实现多源域自适应。与其他方法相比，在公共基准测试上，该模型在解决MDA任务时表现卓越。
Jul, 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
本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在GTA5toCityscapes和SYNTHIA2Cityscapes基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023