本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

Jun, 2019

通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。

Aug, 2018

本研究提出一种基于特征嵌入、利用 NLP 问题中常见的特征模板结构的新颖但简单的特征学习方法来提高无监督领域自适应的性能。

Dec, 2014

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

本文提出了一个更接近实际情况的机器学习问题：“不同领域的特征分布不同，且标签分布不均衡，如何将它们对齐？” 并构建了第一个包括 22 个跨域任务的基准测试数据集，并使用 COAL 模型进行了广泛的实验，发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐，对于该问题的未来研究能提供更好的基准测试数据集。

Oct, 2019

提出了一种高效的概率框架，用于提取类别原型并将目标特征与其对齐，进而解决当前无监督域自适应方法中的采样可变性、类别不平衡和数据隐私问题，该方法适用于多种场景，包括单一源域，多源域，类别不平衡和源隐私域自适应，无需额外模型参数且计算量适中，在性能上达到了与现有最先进方法相媲美的水平。

Oct, 2021

通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

Nov, 2018

介绍了一种新颖的深度学习框架，通过实现特征白化和 Min-Entropy Consensus loss 来实现域自适应，对公开数据集进行了测试，并取得了新的最先进的性能表现。

Mar, 2019

该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。

Jun, 2020

本文提出了一种深度特征注册（DFR）模型，通过直方图匹配生成保持领域不变特征且同时最小化已注册特征和目标特征的领域不相似性的已注册特征。我们进一步采用了伪标签细化流程，结合概率软选择和基于中心的硬选择来改善目标域中伪标签的质量。在多个 UDA 基准测试上进行的大量实验证明了我们 DFR 模型的有效性，取得了新的最佳性能。

Oct, 2023