非线性嵌入变换在无监督领域自适应中的应用
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
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
本文介绍了一个基于非线性嵌入变换的无监督域自适应方法，通过域对齐降低跨域差异，降低数据分布间的偏移，使得相似的数据点可以聚类在一起，提高了分类的性能，并提出了基于样本抽样的验证过程，以确定无监督域适应模型的参数，最后在多个图像数据集上对比了该方法和其他竞争算法的分类结果。
Jun, 2017
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
本研究提出了一种基于 Domain2Vec 模型进行视觉领域向量化表示的方法，并创建了两个大规模跨域基准测试集 TinyDA 和 DomainBank，实验表明该方法可以预测不同域之间的相似性，并优于现有领先的多源领域自适应方法。
Jul, 2020
该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。
Jul, 2020
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
深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。
Aug, 2022