学习分解语义表示以进行领域自适应
本论文提出了一种基于深度卷积神经网络的适应性层及额外的领域混淆损失函数，学习既有语义意义且兼具领域不变性的表示。此方法提供了优异的实验性能，超过了之前已发表成果，如在标准化基准视觉领域适应任务的结果。
Dec, 2014
本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。
May, 2015
本研究提出了一种用于跨域图像特征提取和unsupervised domain adaptation的深度学习模型，实现了特征的disentanglement和适应，并在实验中证实了其有效性和优越性。
May, 2017
本文提出了一种基于深度卷积神经网络的领域自适应方法，在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果，其中引入了两个主要组件，一个是自动计算源样本分配到潜在领域的支路，另一个是利用领域成员信息对齐CNN内部特征表示分布的新型图层。
May, 2018
本文提出了一种利用解脱分析提高保持领域适应性能的方法，通过分别提取共同特征和特定领域特征，可以合成更多带有监督的目标域数据，从而提高领域适应性能。
May, 2018
本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。
Jan, 2019
本文提出了一种新的自解耦框架(SAD)以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器，将潜在表示分解为特定领域和不变领域特征，从而减缓了领域内差距，并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。
Aug, 2021
提出了一种名为DDG的方法，利用基于约束的优化形式来处理机器学习模型的泛化问题，并以有限维参数化和经验逼近的方式对其进行简化，同时提出了一种基于原始对偶算法来实现表示分离和域泛化的方法。DDG方法可以学习到语义概念的内在表示，使其对干扰因素具有不变性，并可以在多个领域中得到良好的OOU性能表现。
Nov, 2021
本研究提出了一种多源领域适应方法(GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕(VDD)框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。
Jul, 2022
无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。
Jan, 2024