本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其他方法。

Dec, 2017

该研究提出了一种利用对抗训练的开放式域自适应方法，其中分类器被训练用于在源与目标样本之间建立边界，而生成器被训练用于使目标样本远离边界，从而摆脱未知的目标样本，该方法在领域适应设置中得到了广泛的评估，并在大多数设置中优于其他方法。

Apr, 2018

本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

May, 2019

通过考虑各个区域的概率确定度并指定关注这些区域，本文提出了一种方法来解决无监督领域适应的问题，能够在各种数据集上实现业界领先水平的结果。

Jun, 2019

本研究提出了一种通用的归纳偏见，即最小类混淆(MCC)方法，该方法不仅易于收敛，而且可以有效地处理多个不同的领域适应(DA)方案，特别是在Partial-Set和Multi-Target DA两个难度较高的数据集上表现优异。

Dec, 2019

本文介绍了一种基于MCSD的多类域间自适应的学习方法(Multi-class Domain-adversarial learning Networks （McDalNets）), 通过使用数据相关的 PAC 常数, 研究了其有效性, 并引入了结合了领域混淆和歧视的新型敌对策略的域对称网络（SymmNets）来提高多类域间自适应性能。

Feb, 2020

本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应(DA) 算法（JAN，DANN和CDAN），评估它们在标准和人工DA任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。

Mar, 2020

本文提出了一种名为可强化对抗域自适应（RADA）的有效优化策略，通过使用动态域标签使领域鉴别器重新激活，使目标域样本更加可分离并进一步推动特征对齐，在多个无监督领域自适应基准上进行的广泛实验表明了我们的RADA的有效性和优越性。

Mar, 2021

本文提出了一种基于无判别器的对抗学习网络（DALN）的范式，其中分类器被重新利用作为鉴别器，通过统一目标实现了明确的域对准和类别区分，使DALN能够利用预测的鉴别信息进行充分的特征对其。同时，引入了核范数Wasserstein距离（NWD）作为判别准则，无需附加重量剪辑或渐变惩罚策略等要求即可满足K-Lipschitz约束条件，且与现有的UDA算法相比具有更好的性能。

Apr, 2022