该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

Feb, 2020

本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

Mar, 2020

通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。

Apr, 2018

本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

Sep, 2019

本文通过在目标空间的离散化锚点类别的粗分类的全局特征对齐和局部细化来弥合合成数据和实际数据之间视觉回归（例如六维姿态估计）中的领域差距，使其对领域不变表示学习施加了分段目标流形正则化。此外，本方法还将统一的隐式神经函数学习应用于估计目标相对方向和距离的回归任务中，以改善目标分类预测，实验表明，在三个公开基准测试中，​​本文方法在相对于最先进的 UDA 6D 姿势估计方法表现出了卓越的性能。

May, 2023

该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

Jul, 2018

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

提出了一种基于流形的几何学方法，用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化，并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明，该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法，尤其对于远程语言对的性能改进更为显著。

Apr, 2020

该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习 domain-invariant features 和 discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020