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
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
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
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
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
本文针对无监督域自适应问题，假设两个域的联合特征 / 标签空间分布之间存在非线性变换，提出了使用最优输运解决此问题的方法，并在实际分类和回归问题中证明了方法的高效性及超越现有技术的性能。
May, 2017
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
本文提出了一种采用语义条件分布相似性来聚合多源领域的方法，同时在三种常用的场景下选择相关源的框架，并通过实验验证了该方法的有效性。
May, 2021
多源领域自适应是迁移学习中的任务之一，本文提出了基于最优传输和高斯混合模型的新框架，在图像分类和故障诊断两个领域中，通过 GMM-WBT 和 GMM-DaDiL 策略实现多源领域自适应，显示出在提高性能的同时更快速、参数更少。
Apr, 2024
本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。
Apr, 2022