本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

Jul, 2019

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型 (BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。

May, 2024

通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含 Office-31 和 Office-Home 数据集的广泛实验中，对 OVANet 进行评估，观察到连续改进的结果，Office-31 的准确率和 H-Score 绝对增益高达 1.3％，Office-Home 的准确率增益为 5.8％，H-Score 增益为 4.7％。

Sep, 2023

本文提出一种基于 Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

Jun, 2022

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024

Unknown Sample Discovery (USD) 是一种利用时间集成的教师模型进行已知 - 未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的 SF-OSDA 方法，着重推进 Jensen-Shannon 距离（JSD）作为已知 - 未知样本分离的有效度量。

Dec, 2023

通过在在线梯度屏蔽方法的基础上动态识别和排除与目标样本紧密相似的源样本，我们提出了一种新颖的在线选择性对抗对齐（OSAA）方法，解决了适应标签差异和源目标域之间潜在标签分布差异的问题，验证了其在实际具有严重域偏移的场景中优于现有方法的卓越性能。

May, 2024

本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。

Feb, 2022

该研究提出了一种利用对抗训练的开放式域自适应方法，其中分类器被训练用于在源与目标样本之间建立边界，而生成器被训练用于使目标样本远离边界，从而摆脱未知的目标样本，该方法在领域适应设置中得到了广泛的评估，并在大多数设置中优于其他方法。

Apr, 2018

该研究提出一种新的自监督学习方法，通过旋转识别任务来解决开放集领域适应中的已知 / 未知样本分离及其性能评估问题，并在 Office-31 和 Office-Home 基准测试中表现出较好的性能和可重复性。

Jul, 2020