该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习domain-invariant features和discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

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

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

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

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

提出了循环自训练算法，通过引入Tsallis熵作为可信度友好的正则化方法，使得在无监督领域适应中的伪标签与真实目标具有更好的泛化性，实现基于无标注目标数据的迁移学习。

Mar, 2021

本文提出了一种名为Noisy UniDA的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

Apr, 2021

提出一种称为SWISS的强弱集成半监督学习策略，用于图像分类的无监督域自适应中。该方法适用于单目标和多目标场景，通过探索域间的类别距离关系以及使用同级域中更强样本的方法来实现从单目标到多目标域自适应的扩展。实验证明了SWISS框架的有效性。

Sep, 2023

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