本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性匹配。我们进一步认为共享相同标签的样本形成更紧凑的聚类，同时拉开来自不同类别的样本。我们针对手工制作和深度网络功能使用我们的提案进行全面评估和对比，并在视觉领域自适应任务中展示了我们的实验，即使是用简单的最近邻分类器，这种方法也可以胜过几种最先进的方法。

Nov, 2016

本研究通过引入DomaIn Alignment Layers方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

Feb, 2017

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

Jul, 2018

通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。

Aug, 2018

该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影(SLPP)技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Mar, 2019

该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

Apr, 2019

本文提出了一种新的RGB-D DA方法，使用卷积神经网络通过解决预文本任务来减少合成与真实数据领域之间的差异，对RGB-D数据的实例识别和对象分类进行了评估，并展示了利用跨模态关系进行RGB-D DA的优势。

Apr, 2020

该论文提出了一种新的概念——虚拟镜像（virtual mirror），用于解决现有方法在域适应中存在的问题，该方法在多个主流基准测试中表现出了出色的性能。

Oct, 2021

通过几何视角对传递性和可区分性进行了理论分析，将能力形式化为域/聚类子空间之间的几何性质，并通过核范数优化提出了几何导向模型来增强传递性和可区分性，实验证明该模型在实际应用中的有效性。

Jun, 2024