本文介绍了一种针对域自适应问题的新型分布距离度量——偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

Feb, 2009

本文提出了新的域自适应算法，优于以前的差异最小化算法，不像以前的算法那样在训练样本上具有固定的损失权重重新加权，我们的算法有坚实的理论基础和更有利的学习界限，并提供了一种有效的解决其优化问题的方法，实验结果表明该算法优于差异最小化。

May, 2014

该论文提出了一种名称为CDDA的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

Apr, 2017

本研究提出了一种加权MMD方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了MMD忽视类别间重量偏差的问题。实验表明，加权MMD方法优于传统的MMD方法在域适应中的表现。

May, 2017

通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。

Aug, 2018

本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

Jan, 2019

本研究从理论和算法角度探讨了无监督域自适应的问题，并引入了一种名为Margin Disparity Discrepancy的新测量方法，成功地将该理论转化为一种对抗学习算法，极大地提高了域自适应的状态。

Apr, 2019

该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

Apr, 2019

本文提出了一种基于无判别器的对抗学习网络（DALN）的范式，其中分类器被重新利用作为鉴别器，通过统一目标实现了明确的域对准和类别区分，使DALN能够利用预测的鉴别信息进行充分的特征对其。同时，引入了核范数Wasserstein距离（NWD）作为判别准则，无需附加重量剪辑或渐变惩罚策略等要求即可满足K-Lipschitz约束条件，且与现有的UDA算法相比具有更好的性能。

Apr, 2022

本文提出了判别性径向领域适应方法（DRDA），通过共享径向结构来缩小源域和目标域之间的差异，以增强特征的传递性和可区分性。在多个基准测试中进行了广泛实验，表明该方法在各种任务上均优于现有方法，包括典型的无监督域适应，多源域适应，域不可知学习和域泛化。

Jan, 2023