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

在弱监督开放域自适应中，使用CDA的知识转移方法能够双向协调地分类未标记数据和识别异常点，并在应用于Person reidentification和Office基准时达到了最先进的性能。

Apr, 2019

提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

Jul, 2019

该研究提出了一种新的无监督开放式域自适应方法，其中提出的上限包括四个术语：源域风险，ε-开放集差异，域之间的分布差异和一个常数。模型训练完成后，其表现在多个基准数据集，包括数字识别(MNIST，SVHN，USPS)，物体识别(Office-31，Office-Home)和人脸识别(P：IE)方面已经达到了最先进水平。

Jun, 2020

该研究提出一种新的自监督学习方法，通过旋转识别任务来解决开放集领域适应中的已知/未知样本分离及其性能评估问题，并在Office-31和Office-Home基准测试中表现出较好的性能和可重复性。

Jul, 2020

本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

Jul, 2022

通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含Office-31和Office-Home数据集的广泛实验中，对OVANet进行评估，观察到连续改进的结果，Office-31的准确率和H-Score绝对增益高达1.3％，Office-Home的准确率增益为5.8％，H-Score增益为4.7％。

Sep, 2023

针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法，我们全面研究了四种不同的无监督域自适应设置，包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应，其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率，我们提出了一种名为无监督域自适应学习实例加权（LIWUDA）的新方法，通过构建加权网络、设计权重最优传输（WOT）和小批量实例的分隔与对齐（SA）丢失来解决这些挑战。通过实验评估，验证了提出的LIWUDA方法的有效性。

Dec, 2023

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024