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

采用高斯过程的方式进行大间隔后验分离问题的非监督领域适应研究。

Feb, 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

本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以Renyi熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。

Jul, 2019

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

本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法，并将其无缝转化为一个对抗网络进行联合优化，在存在噪声的环境下，与现有技术相比取得了超过10％的准确度提高。

Apr, 2020

本文通过分析现有的 DA 算法的局限性，构建了更加现实的数据集来评估现有算法并提出了一种新的基于 Instance-based Predictive Behavior Matching 的算法 InstaPBM，实验结果表明 InstaPBM 相对于现有算法具有更强的鲁棒性和更高的分类精度。

Jun, 2020

研究了领域自适应中的可转移性估计问题，并提出了一种非侵入式的无偏转移估计插件（UTEP）来优化无偏传递。通过估计到达数据的不确定性来对目标领域中未标记样本的伪标签进行选择，以帮助实现域之间更好的分布对齐。在广泛的DA基准数据集上的实验证明，所提出的方法可以轻松地并入各种基于对抗的DA方法，并实现了最先进的性能。

Jun, 2022

该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

Aug, 2022