本文提出了一种灵活的生成领域自适应网络(G-DAN)和因果生成领域自适应网络(CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

Apr, 2018

利用元学习方法，基于快速适应新分布的速度，学习因果结构，包括因果关系的参数化，模块化和编码等方面，以提高对非标准干预的快速适应能力和降低重学需要的信息量。

Jan, 2019

本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

Feb, 2020

本论文研究了领域自适应中的标定问题，提出了Transferable Calibration方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定，从而在关键场景下做出更可靠的决策。

Jul, 2020

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的CIRM方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 2020

本研究提出了一种自适应方法GIFT，它利用从源域和目标域的例子的表示进行插值，从而在自适应过程中创建中间分布的虚拟样本。同时，GIFT在自适应中生成一个样本的教学计划来逐步适应目标分布。

Jun, 2021

本文提出了一种实用的解决方案， Transporting Causal Mechanisms (TCM) ，通过使用无监督发现的领域不变分离的因果机制来识别混淆层和表示，从而解决了无监督域适应中的语义丢失问题，并在三个具有挑战性的 UDA 基准测试中取得了最先进的性能。

Jul, 2021

本文提出了一种新的学习范式，即模拟-分析-减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

Apr, 2023

我们研究了领域适应问题，该问题是由于未观察到的潜在变量分布改变所导致的分布偏移。我们的适应方法采用了近端因果学习，一种用于估计因果效应的技术，适用于存在未观察到的混淆变量代理的情况。我们证明了代理变量允许在不明确恢复或建模潜在变量的情况下适应分布偏移。我们考虑了两种情况：（i）概念瓶颈：观察到一个额外的“概念”变量，它介导了协变量和标签之间的关系；（ii）多领域：有来自多个源领域的训练数据，其中每个源领域对潜在混淆变量有不同的分布。我们在这两种情况下开发了一种两阶段核估计方法，以适应复杂的分布偏移。在我们的实验证明，我们的方法优于其他方法，尤其是那些明确恢复潜在混淆变量的方法。

Mar, 2024

统一的无源领域适应问题中，通过采用潜在因果因素发现方法（LCFD）和预训练的视觉-语言模型（如CLIP），可以有效提高学习模型对领域变化的可靠性和鲁棒性，并在不同的无源领域适应设置和无源领域外泛化上取得了新的最先进结果。

Mar, 2024