使用最优输运的开放集域自适应
该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。
Jul, 2015
通过最优传输探索领域适应的研究，提出了一种新颖的方法，通过高斯混合模型对数据分布进行建模，从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。
Mar, 2024
本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。
Oct, 2016
本文针对无监督域自适应问题，假设两个域的联合特征 / 标签空间分布之间存在非线性变换，提出了使用最优输运解决此问题的方法，并在实际分类和回归问题中证明了方法的高效性及超越现有技术的性能。
May, 2017
本文介绍了一种名为 DeepJDOT 的解决计算机视觉中领域转移问题的方法，基于最优传输的联合深层表示 / 标签的差异度量，不仅学习新的数据表示，而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务中，表现出良好的效果并与最先进的深度领域适应方法进行比较。
Mar, 2018
本文介绍了一种新的方法 —— 加权联合分布最优输运，它利用源分布的多样性来解决多个标记源数据集到未标记目标数据集的领域适应问题，同时在源和目标分布之间寻找最优的输运对齐和重量重新平衡。 数值实验表明，该方法在模拟和现实数据集上实现了最先进的性能。
Jun, 2020
无监督领域自适应方法中引入了一种新的方法 - 称为类感知最优输运（OT），用于测量来自标记源领域的分布与源和目标数据分布的混合之间的 OT 距离。我们的类感知 OT 利用了一个成本函数，该函数确定了给定数据示例与源类条件分布之间的匹配程度，通过优化这个成本函数，我们可以找到目标示例与源类条件分布之间的最佳匹配，从而有效地解决了两个领域之间发生的数据和标签偏移问题。为了高效处理类感知 OT 问题，我们提出了一种使用深度神经网络来制定输运概率和成本函数的摊薄解决方案。此外，我们还提出了最小化类感知高阶矩匹配（HMM）来对齐源领域和目标领域上相应的类区域的经济计算方法。在基准数据集上进行的大量实验证明了我们提出的方法明显优于现有的最先进基准线。
Jan, 2024
通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。
Apr, 2023
本文提出了一种基于最优输运的方法来识别和表征分类数据集中的分布变化，它能够帮助用户确定每个类别受到变化的程度，并提供相应的样本对以提供其性质的洞见。作者在合成和自然变化的数据集上进行了实验验证，并希望这能够激发未来的可解释方法来分析分布变化。
Aug, 2022