该研究提出了一种名为 DisClusterDA 的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对 5 个基准数据集进行的实验表明，DisClusterDA 在这些数据集上的表现优于现有的方法。

Feb, 2023

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

提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习 domain-invariant features 和 discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

通过集群假设的视角，该研究提出了两个新的模型：结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应（VADA）模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师（DIRT-T）模型。广泛的实证结果表明，这两个模型的组合大大提高了数字，交通标志和 Wi-Fi 识别领域自适应基准的最新性能。

Feb, 2018

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

提出了一种利用 Adversarial Dropout Regularization 的方法来实现神经表示从有标签的源域到无标签目标域的转移，以提高语义分割和图像分类任务的准确性，并证明了该方法的有效性。

Nov, 2017

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

该论文提出了一种名为 Deep Transfer Network 的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

Mar, 2015

本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017