本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

Feb, 2020

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的 CIRM 方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 2020

该研究论文提出了一种基于因果学的传递学习方法，针对数据集中的子集进行预测，从而在领域泛化问题上取得了最优表现。

Jul, 2015

本文提出了一种利用机制转移适应目标领域的方法，该方法可以在数据生成机制在不同领域间不变的假设下应对非参数移位问题，并应用因果模型中的结构方程来进行域适应，实验证明该方法可以在回归问题中有效使用。

Feb, 2020

本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

Mar, 2021

本文研究领域适应在跨领域情感分析中的应用，提出基于背景调整的因果模型来解决领域转移问题，并在多个数据集上与现有方法进行了比较。

Feb, 2024

本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

Jan, 2019

通过最大熵分类器和线性链的组合，提出了一种基于条件期望最大化技术的统计方案。实验表明，该方法在自然语言处理领域的四个数据集中，可以提高三个真实世界任务的性能。

Sep, 2011