本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

Feb, 2015

本研究提出一种用于视觉领域适应的CNN架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

本文介绍了一种神经网络结构——附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

Nov, 2017

本文提出了一种使用注意力对齐和后验标签分布估计的卷积神经网络自适应无监督域适应的方法，在Office-31数据集上超过其他最先进的方法2.6％。

Jan, 2018

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

该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

May, 2020

本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法——启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。

Nov, 2020

该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法，通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐，从而不需要敌对训练且收敛速度快，在对象识别和数字分类任务中均取得了显着的结果。

Jun, 2021