该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

Jul, 2015

本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

Mar, 2018

本文介绍了一种名为 DeepJDOT 的解决计算机视觉中领域转移问题的方法，基于最优传输的联合深层表示 / 标签的差异度量，不仅学习新的数据表示，而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务中，表现出良好的效果并与最先进的深度领域适应方法进行比较。

Mar, 2018

本文介绍了一种新的方法 —— 加权联合分布最优输运，它利用源分布的多样性来解决多个标记源数据集到未标记目标数据集的领域适应问题，同时在源和目标分布之间寻找最优的输运对齐和重量重新平衡。 数值实验表明，该方法在模拟和现实数据集上实现了最先进的性能。

Jun, 2020

通过最优传输探索领域适应的研究，提出了一种新颖的方法，通过高斯混合模型对数据分布进行建模，从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。

Mar, 2024

提出了一种 2 步最优传输方法，对源分布进行到目标分布的映射，并针对目标分布中新增的类别开发了双重方法以解决这个问题，最终得到表现优于现有技术的结果，并将该方法应用在源和目标分布同时具有标签和特征变换的情况下以证明其鲁棒性。

Oct, 2020

本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

Oct, 2016

通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

Apr, 2023

本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

Jun, 2019

无监督领域自适应方法中引入了一种新的方法 - 称为类感知最优输运（OT），用于测量来自标记源领域的分布与源和目标数据分布的混合之间的 OT 距离。我们的类感知 OT 利用了一个成本函数，该函数确定了给定数据示例与源类条件分布之间的匹配程度，通过优化这个成本函数，我们可以找到目标示例与源类条件分布之间的最佳匹配，从而有效地解决了两个领域之间发生的数据和标签偏移问题。为了高效处理类感知 OT 问题，我们提出了一种使用深度神经网络来制定输运概率和成本函数的摊薄解决方案。此外，我们还提出了最小化类感知高阶矩匹配（HMM）来对齐源领域和目标领域上相应的类区域的经济计算方法。在基准数据集上进行的大量实验证明了我们提出的方法明显优于现有的最先进基准线。

Jan, 2024