本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。
Aug, 2018
该研究论文介绍了一种名为 Selective Adversarial Network (SAN) 的选择性对抗网络，用于解决部分转移学习（partial transfer learning）问题，从而实现大数据时代的分类和特征转移学习优化。实验结果显示，我们的模型优于多个基准数据集上的现有最先进结果。
Jul, 2017
提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。
May, 2020
本文提出了一种名为 Two Weighted Inconsistency-reduced Networks (TWINs) 的新方法，用于实现从源域到目标域的数据迁移，在较为吻合但不完全相同的情况下具有更好的性能，该方法采用两个分类器网络计算目标域中每个类别的样本比例，并利用分类不一致性来提取具有鉴别性的特征。
Dec, 2018
本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。
Mar, 2019
在领域自适应中，为了解决来自不同领域的相关但不同的数据对分类器性能的影响，该研究使用了两个流的架构，其中一个处理源领域的数据，另一个处理目标领域的数据。在有监督和无监督的情况下，该方法均优于现有技术，并在多个物体识别和检测任务中实现了更高的准确性。
Mar, 2016
本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高置信度目标样本，在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是，我们通过先验地推断源样本原型来确保源数据的隐私，从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析，涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性，展示了其相对于现有最先进 PDA 方法的优越性。
Sep, 2023
提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。
Apr, 2019
本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法 BA$^3$US，通过两种新技术 BAA 和 AUS 来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明 BA$^3$US 优于现有方法。
Mar, 2020
本文提出一种新的无监督域适应方法 ——SymNets，它是基于一种对称的分类器设计的。我们提出了一种新的对抗学习目标，其中关键设计基于两级域混淆方案。我们还提出了一种跨域训练的方案来帮助学习目标分类器。针对常用的基础网络，我们的 SymNets 在三个基准域适应数据集上取得了新的最优性能。