采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

Aug, 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

本研究提出在深度神经网络中结合域随机映射(Domain Mixup)的方法用于域自适应领域, 研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

Dec, 2019

该论文提出了一种名为ALDA的新颖领域自适应方法，利用伪标签方法和混淆矩阵相结合，实现特征分布的对齐和目标特征的强分类，并将学习到的混淆矩阵构建为新的损失函数。在四个标准领域适应数据集上较其他已知方法表现更优。

Jan, 2020

本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

Mar, 2020

本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

May, 2020

研究针对域偏移的主动域适应问题，提出一种基于聚类的不确定性加权嵌入的标签获取策略，用于最大程度地获取信息，以便在图像分类中提高性能。

Oct, 2020

本文介绍了一种基于能量模型的主动学习策略，名为“EADA”，可用于帮助将深度神经网络推广到新的目标域。该算法通过求解目标数据组的自由能量，结合领域特征和实例不确定性，从中选择最有价值的目标数据样本。此外，领域差可以通过调整目标数据的自由能量使之紧凑地围绕源域，从而得到有效缩小。实验表明，该算法在各项基准测试中表现良好，比其他先进方法有很大的优势。

Dec, 2021

本研究解决了无监督领域适应中无源数据可用带来的挑战，特别是在依赖嘈杂伪标签和分布转变时。提出的A3框架结合自监督学习、对抗训练和主动学习，有效地进行领域对齐和噪声减少。研究表明，A3的综合方法显著提升了无源领域适应的效果。

Sep, 2024