本论文提出了一种基于深度卷积神经网络的适应性层及额外的领域混淆损失函数，学习既有语义意义且兼具领域不变性的表示。此方法提供了优异的实验性能，超过了之前已发表成果，如在标准化基准视觉领域适应任务的结果。

Dec, 2014

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

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

本文针对数据集偏差问题，提出一种基于类条件分布的域不变特征表示方法，在合成和实际数据上的实验证明其有效性。

Jul, 2018

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019

研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。

Mar, 2019

本论文提出了一种用于半监督域适应的算法LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。

Oct, 2020

本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

Feb, 2021

本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义，并研究了强制学习每个领域不变表示的优缺点和权衡，并通过实验来检查这些表示的权衡，探索了我们所开发的理论的其他有趣特性。

Nov, 2021

本研究解决了领域适应回归（DAR）中标签知识从源领域向无标签目标领域迁移的挑战，尤其是回归中的连续性问题。提出了一种新颖的条件算子差异（COD），为处理连续条件变量的条件差异提供了理论支持，并提出了一种基于COD的条件不变表征学习模型，实验证明该模型在处理领域适应时显著超越现有方法。

Aug, 2024