基于标签知识的分布对齐连续迁移学习
该研究论文介绍了一种名为Selective Adversarial Network (SAN)的选择性对抗网络，用于解决部分转移学习（partial transfer learning）问题，从而实现大数据时代的分类和特征转移学习优化。实验结果显示，我们的模型优于多个基准数据集上的现有最先进结果。
Jul, 2017
研究传输学习中不同源数据对目标任务的影响，提出了负传输的正式定义，并通过对抗网络设计了一种过滤无关源数据的技术，用于解决负传输问题，在实验中该方法能够显著提高基线方法的性能并避免负面影响。
Nov, 2018
本文提出了一种基于局部生成差距度量和流形准则（MC）引导的转移学习方法(MCTL)，显着改进了不同分布域间的领域自适应（DA）性能，并且在基准可视化转移任务中展现出明显的优越性。
Mar, 2019
本文通过提出Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。
Mar, 2019
本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为AMEAN，其中使用了两种对抗学习方法，以克服BTDA中的负转移效应和隐式类别缺陷，并取得了良好的性能。
Jul, 2019
本文提出一种名为3CATN的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。
Sep, 2019
本文提出了一种名为DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法MDDA和DDAN，得到了显著改善传输学习性能的结果。
Sep, 2019
本文提出了一个系统化的对负迁移的定义及其影响因素、减少负迁移算法的调查，涵盖了安全迁移、领域相似度估计、远距离迁移和负迁移减缓四个方面，并探讨了在多任务学习、终身学习和对抗攻击等相关领域中的负迁移
Sep, 2020
通过引入一种全新的跨域潜在调制机制来实现有效迁移学习，利用源域和目标域的深度表示进行交叉调制，通过可视化的证据得到支撑，我们提出了一种基于变分自编码器框架的解决方案，并在多个迁移学习基准任务中展示了强大的表现，特别是在无监督领域适应和图像到图像翻译方面。
May, 2022