本文介绍了一种针对域自适应问题的新型分布距离度量——偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

Feb, 2009

通过最大熵分类器和线性链的组合，提出了一种基于条件期望最大化技术的统计方案。实验表明，该方法在自然语言处理领域的四个数据集中，可以提高三个真实世界任务的性能。

Sep, 2011

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

本文提出了新的域自适应算法，优于以前的差异最小化算法，不像以前的算法那样在训练样本上具有固定的损失权重重新加权，我们的算法有坚实的理论基础和更有利的学习界限，并提供了一种有效的解决其优化问题的方法，实验结果表明该算法优于差异最小化。

May, 2014

提出一种名为CORal的简单且高效的无监督域自适应方法，通过对齐源域和目标域的二阶统计量来最小化域漂移，可在标准基准数据集上表现出色。

Nov, 2015

本文探讨了领域自适应问题，证明了只要在一些条件下，任何PAC可学习的概念类都可以在协变量转移条件下进行PAC学习，同时提出了拒绝取样算法的界限并证明其是某些情况下领域自适应问题的解决方案。

Dec, 2018

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

本文研究了在共享类别不足的情况下，非监督领域自适应问题。文章提出了一种有效的评分机制来鉴别共享类别的样本，并将评分应用于训练过程中选择目标领域中的伪标签样本。文章中的另一个损失函数鼓励每个批次内标签的多样性。综合来看，我们的方法在文献基准测试中表现出比现有技术更强大的性能。

Jan, 2020

本研究提出了一种基于标签传播的领域自适应框架，利用源域上的教师分类器将信息传递到目标域，并通过扩展假设和利用现有的泛化上界，以满足整个算法的有限样本保证。 通过采用一致性半监督学习方法，我们在领域适应设置中获得了显着的改进。

Feb, 2021

本文提出了基于领域特定风险最小化（DRM）的方法，旨在通过利用源域信息和适应性差的估计和最小化来弥合领域间差异以实现领域通用性，并在不同分布漂移设置下显着优于竞争基准。

Aug, 2022