基于教师的聚类对齐用于无监督领域适应
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
本篇论文提出了一种基于结构化预测的选择性伪标记策略，通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记，实验证明该策略表现优于当代最先进方法。
Nov, 2019
本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成（Self-Ensembling）方法，称为具有类别不可知聚类（Category-agnostic Clusters）的SE-CC模型，该模型利用聚类信息提供了与目标领域特定的视觉提示，方便了对于开集和闭集领域自适应的泛化。
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
本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。
Aug, 2020
该论文提出了一种名为跨域自适应聚类的新方法，使用敌对训练产生自适应聚类损失，将未标记目标数据的特征分组到聚类中，并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量，并产生了更强大的聚类核心，从而实现了半监督领域自适应的最佳表现。
Apr, 2021
提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.
May, 2022
该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。
Feb, 2023
无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024