该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习domain-invariant features和discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

提出了一种通用的半监督参数估计方法，通过对“对比度”和“悲观主义”等概念的引入，实现了半监督分类器的改进，并在LDA的案例研究中证明了该方法的有效性。

Mar, 2015

研究PAC-Bayesian领域适应的问题：从源域学习一个专门针对目标域的多数表决模型。通过导出目标风险的上限，我们提供了一个新视角来控制误差度量和投票者不一致之间的权衡。我们根据这个结果推导了一个PAC-Bayesian的广义上限，并将其特化到线性分类器。最后，在实际数据上进行了实验。

Jun, 2015

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

通过考虑各个区域的概率确定度并指定关注这些区域，本文提出了一种方法来解决无监督领域适应的问题，能够在各种数据集上实现业界领先水平的结果。

Jun, 2019

本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法，并将其无缝转化为一个对抗网络进行联合优化，在存在噪声的环境下，与现有技术相比取得了超过10％的准确度提高。

Apr, 2020

本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

Jun, 2020

本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

Jul, 2020

本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

Aug, 2022