仅 DIAL: 用于无监督领域适应的域对齐层
该论文介绍了一种基于领域适应方法的特征对齐技术，在深度神经网络中嵌入特定的领域对齐层，实现源特征分布和目标特征分布与参考特征分布的匹配，以提高不同领域数据分类的准确性。通过实验证明此方法的有效性。
Apr, 2017
本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。
May, 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
本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。
May, 2019
本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。
Jun, 2020
本文介绍了一个基于元学习的有效优化策略MetaAlign，以协调域对齐任务和分类任务的目标函数的不一致性，实现在元训练和元测试中同时优化域对齐和分类任务的最大化，从而提高了无监督领域自适应问题的性能。
Mar, 2021
本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。
Jan, 2022
提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。
Aug, 2022