本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

Nov, 2018

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

我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

May, 2018

本文提出了一个联合自适应检测框架 (JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中 - state-of-the-art 性能。

Sep, 2021

本文提出了一种基于随机次梯度下降优化学习问题的交替优化技术，以在几个域适应任务上展示其性能，该技术旨在同时学习源子空间和预测函数，最小化正则化误分类损失。

Nov, 2014

本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。

Jul, 2021

我们提出了一种称为正则化条件对齐 (RCA) 的方法，通过对领域和类别的联合分布进行对齐，来匹配相同类别中的特征并增强获取的特征的判别能力，同时还利用熵最小化和虚拟对抗训练来限制未标记数据的预测不确定性并增强模型的鲁棒性。在两个基准数据集上的实证结果表明，我们的 RCA 方法优于最先进的多领域文本分类技术。

Dec, 2023

本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

Sep, 2019

通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。

Aug, 2018

提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

May, 2020