通过Renyi离散度的概念，本文对多源适配的一般问题进行了新颖的理论研究，扩大了之前的多源损失保证的范围，并分析了多种情况，包括未知目标分布和标注函数不同的情况，通过实验表明基于Renyi离散度的保证的性能优越。
May, 2012
本研究提出一种基于知识蒸馏的领域自适应技术，针对多源无监督情感分析数据集，在考虑多个教师及其领域专业性的基础上，实现了最优结果，并提出一种可信度度量方法，用于选择高置信度示例及解决单一源情况下的领域适应问题。
Feb, 2017
通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在20个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。
Jun, 2018
本研究利用多个源数据集来学习针对不同但相关的目标数据集的模型，并且提出了一种理论上有依据的优化程序。通过有效地调整每个源域的权重，所提出的算法可以在情感分析和数字识别等数据集上显著优于现有的最先进方法。
Sep, 2019
研究了领域自适应算法在目标域的性能与源域误差和数据分布之间的差异度量函数的关系，提出了一种基于距离度量的方法用于NLP任务，开发了一个DistanceNet模型和DistanceNet-Bandit模型，证明了这些模型在无监督领域适应中的优越性。
Jan, 2020
该论文探讨了如何选择多个源来进行领域适应，使用注意力学习算法解决了多源无监督领域适应中的源选择难题，并在情感分类基准测试中表现出更好的性能。
Apr, 2020
提出了基于多源域自适应方法的两种转移学习框架来执行情感分析，其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架，成果展示了比无监督的最新竞争对手更具有实用性的性能表现。
Jun, 2020
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
本文介绍了一种基于示例的超网络适应算法，主要解决多源适应问题，以及如何应用于自然语言处理领域的领域自适应，实现超网络在情感分类方面的应用。
Mar, 2022
本研究解决了多源无监督领域适应中源域选择的计算复杂性问题。通过将多个源域表示为无向带权图，提出了一种渐进微调框架，并引入了三种轻量级图路由策略，以最小化泛化误差界限。结果显示，该方法在自然语言推断任务上相较于最先进技术提高了2.3%的准确率，并在情感分析任务上尤其在更具多样性的数据子集上提高了3.9%。
Nov, 2024