离线和在线无源域自适应的BAIT构建
本文提出一种基于源模型的无监督域自适应解决方案SHOTS，在缺乏源数据的情况下，通过信息最大化和自监督伪标签相结合的方式，学习目标特定的特征提取模块，从而使目标域的表示与源假设对齐，并在多个域自适应基准测试中取得了最新的成果。
Feb, 2020
本篇论文研究了源领域无标签数据的黑盒非监督域适应 (B$^2$UDA) 问题，在此基础上提出了一种名为 Iterative Learning with Noisy Labels (IterLNL) 的简单有效方法，通过黑盒模型作为噪声标签工具进行噪声标注和学习，迭代解决该问题。实验表明，无需源数据和源模型，IterLNL 的表现可与传统有标签源数据的 UDA 方法相媲美。
Jan, 2021
该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。
Apr, 2021
该文提出了一种名为UMAD的通用模型适应框架，能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理open-set和open-partial-set的两种UDA场景，并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。
Dec, 2021
本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。
Dec, 2022
本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在Digits and DomainNet基准测试上优于或与现有方法相当。
May, 2023
通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。
Sep, 2023
通过可学习的数据增强技术，本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器-解码器架构，我们的方法可以学习如何增强源数据，并使其在知觉上类似于目标。该方法在DomainNet和VisDA这两个领域自适应基准数据集上取得了最先进的性能。
Oct, 2023
无源无监督领域自适应（SFUDA）是一个具有挑战性的任务，模型需要在没有目标领域标签或源领域数据的情况下适应新领域。本文提出了一种新的方法，通过考虑每个样本的多个预测假设并研究每个假设的合理性来解决该问题。通过整合这些假设的理由，我们可以识别最有可能的正确假设，并将其作为伪标签集来支持半监督学习过程进行模型自适应。我们提出了一个三步自适应过程：模型预自适应、假设整合和半监督学习，以实现最佳性能。广泛的实验结果表明我们的方法在SFUDA任务中达到了最先进的性能，并可以轻松集成到现有方法中以改善其性能。
Feb, 2024
通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对SF-UDA方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种SF-UDA技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对SF-UDA性能的重要性。
Feb, 2024