本文提出一种基于相似性学习和原型表示的分类方法，能够在无监督领域适应中学习特征，并实现跨域分类任务，在多种常见场景下表现出最先进的性能水平。

Nov, 2017

本文介绍了一种方法，它通过学习领域不变的局部特征模式并联合对齐整体和局部特征统计量，从而进一步实现细粒度特征对齐，并在两个流行的基准数据集上将其与现有的无监督领域适应方法进行比较，证明了我们方法的优越性和对减轻负迁移的有效性。

Nov, 2018

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

本文提出了一种利用教师模型进行无监督领域自适应的聚类对齐方法，其针对源域和目标域的判别性聚类结构进行对齐，并在多种无监督领域自适应场景下实现了最先进的效果。

Mar, 2019

本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

May, 2019

我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样-based的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。

Jun, 2020

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

提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

Aug, 2022

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

本研究针对现有的无监督领域适应技术中的标签对齐问题，提出了一种新的深度学习模型调整方法。通过对原有适应算法进行改进，使其能够在深度神经网络中更好地实现标签对齐。实验结果表明，该方法在性能上可与主流无监督领域适应方法相媲美，同时具有更稳定的收敛性。

Oct, 2024