我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。

May, 2018

本文提出了一种利用教师模型进行无监督领域自适应的聚类对齐方法，其针对源域和目标域的判别性聚类结构进行对齐，并在多种无监督领域自适应场景下实现了最先进的效果。

Mar, 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

该论文提出了一种更具普适性的领域自适应框架，称为通过熵优化的领域自适应邻域聚类（DANCE），可以处理任意类别转移。DANCE结合两个新颖的想法：第一，我们提出了一种新的邻域聚类技术，在无监督的情况下学习目标域的结构。第二，我们利用基于熵的特征对齐和拒绝来对齐目标特征与源特征，或根据其熵拒绝它们作为未知类别。实验结果表明，DANCE在开放集，开放部分和部分领域自适应设置中优于基线。

Feb, 2020

本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

Aug, 2020

本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。

Aug, 2021

这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

Apr, 2022

提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.

May, 2022

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

本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些“未知”的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集DA等不同类别转化情境下的多个基准测试中相对于UMAD的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集DA情境下比UMAD高出14.8％。

Mar, 2023