本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

本文研究了传递学习的有效性，并发现原先认为的更多的预训练数据不一定就能提高模型性能，而是需要审慎选择预训练数据。同时，作者提出了基于目标数据集计算重要性权重的领域自适应传递学习方法，并在多个细粒度分类数据集上取得了最先进的结果。

Nov, 2018

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

本文综述了过去十年中TAL方法学术的进展和技术挑战，并提出了广义解决方案，包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应，以实现全面的理解和未来挑战的安全应用。

Mar, 2019

本综述对转移学习的40多个代表性方法进行了系统总结，从数据和模型的角度介绍了同质转移学习的机制和策略，并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。

Nov, 2019

本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

Oct, 2020

本文提出动态转移(Dynamic Transfer)方法应对多源领域间的冲突，它能够通过对样本进行模型参数的适应性调整，突破领域界限，简化源域和目标域之间的对齐。实验结果表明，我们提出的动态转移方法在多源领域适应数据集(DomainNet)上可以将性能提升超过3%。

Mar, 2021

本文提出了一种利用检测算法实现深度模型分层领域自适应的无监督学习算法，能够实现在目标领域中将来自源领域的数据分离出来并使用源领域的模型进行分类，实验表明其在三种领域自适应任务中的表现优于现有算法。

Jan, 2022

本论文提出了一种新的领域自适应方法，它可以分别测量内部依赖结构和边际之间的差异，并通过优化它们之间的相对权重来放松传统方法的死板性。实验结果表明，与各种基准领域适应模型相比，该方法的改进非常显著和稳健。

May, 2023