本文针对协变量偏移问题提出了一种半生成模型，该模型能够利用未标注的数据进行自适应学习和半监督学习，并且通过学习原因和影响同时作用的形式，解决了因果推理问题和领域转移问题，实验表明该方法在分类任务中具有显著优势。
Jul, 2018
本文介绍了『Domain Differential Adaptation（DDA）』的框架，该框架通过使用相关任务中的模型直接建模不同领域之间的差异，从而成功地应用于神经机器翻译的领域自适应中，并在多个实验设置中实现比其他替代方法更好的改进效果。
Oct, 2019
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
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。
该论文综述了迁移学习中的一个具有代表性的子领域——领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。
Apr, 2020
本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。
Oct, 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。
本研究提出了一种自适应方法GIFT，它利用从源域和目标域的例子的表示进行插值，从而在自适应过程中创建中间分布的虚拟样本。同时，GIFT在自适应中生成一个样本的教学计划来逐步适应目标分布。
Jun, 2021
本文提出了一种新的学习范式，即模拟-分析-减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。
Apr, 2023
提出一种在测试时使用少量无标签数据进行模型适应以应对分布偏移的方法，通过利用预训练模型和源域的相关信息从有限数据中提取领域知识，并通过建立知识库、领域特定提示生成器、引导模块、领域感知对比损失和元学习等技术实现领域知识的提取。在多个基准测试中验证了该方法，表明该方法在领域知识提取方面优于之前的工作。
May, 2024