本文提出了一种简单且有效的无监督领域自适应方法——CORrelation ALignment(CORAL)，通过对齐源域和目标域的二阶统计信息来最小化领域偏移，而不需要目标标签。相比于子空间流形方法，CORAL原始特征分布不需要低维子空间基项的对齐，且比其他分布匹配方法更为简单。CORAL还扩展到了非线性转换对齐深度神经网络中的层激活的相关性，通过在标准基准数据集上取得了最新的性能，最终获得了Deep CORAL方法。
Dec, 2016
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
采用高斯过程的方式进行大间隔后验分离问题的非监督领域适应研究。
Feb, 2019
介绍了一种新颖的深度学习框架，通过实现特征白化和Min-Entropy Consensus loss来实现域自适应，对公开数据集进行了测试，并取得了新的最先进的性能表现。
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
提出了一种基于Minimax Entropy的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。
本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以Renyi熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。
Jul, 2019
提出了一种基于自我训练和预测一致性的无监督域自适应算法（SENTRY），它利用随机图像变换的委员会评估目标实例的可靠性，通过增加高度一致性目标实例的置信度，减少高度不一致实例的置信度来选择性地最小化预测熵和最大化预测熵。该算法结合了基于伪标签的近似目标类平衡方法，在标签分布转移方面具有优异表现。
Dec, 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
无监督领域适应的研究中，我们提出了一种新的方法，通过在熵对抗网络中丰富判别器网络的边缘预测概率值，结合内部和外部信息以提高对象边界的清晰度，进而改进了领域适应质量。实验证明，该方法在多种无监督领域适应场景中具有出色的性能。
Oct, 2023