噪声普适领域自适应的发散优化
本论文提出了一种新的领域自适应问题，即在源域有噪声标签的情况下，通过未标记的目标域数据进行分类，该方法名为WUDA。我们建议使用蝴蝶框架，该框架同时维护四个深度网络以解决噪声数据和分布偏移。我们发现，蝴蝶框架在WUDA下显着优于现有的基准方法。
May, 2019
本文研究了在共享类别不足的情况下，非监督领域自适应问题。文章提出了一种有效的评分机制来鉴别共享类别的样本，并将评分应用于训练过程中选择目标领域中的伪标签样本。文章中的另一个损失函数鼓励每个批次内标签的多样性。综合来看，我们的方法在文献基准测试中表现出比现有技术更强大的性能。
Jan, 2020
本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法，并将其无缝转化为一个对抗网络进行联合优化，在存在噪声的环境下，与现有技术相比取得了超过10％的准确度提高。
Apr, 2020
提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。
Aug, 2022
深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。
Aug, 2022
本文提出了一个名为“不清晰统一域适应”的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域/目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性
Apr, 2023
部署机器学习系统到未知领域时，需要它们能够有效利用先前的知识，同时对异常输入发出警报。本文提出了一个全面的自然语言基准，以验证模型的普适性和鲁棒性，并观察到原本设计用于图像输入的UniDA方法可以有效地迁移到自然语言领域，并强调了适应难度对模型性能的影响。
Oct, 2023
我们提出了一个新颖的具有邻域不变性的相互学习网络方法（MLNet），通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化，通过交叉领域混杂方案进行更好的未知类别识别，互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中，广泛的实验证明我们的方法在大多数情况下均取得最佳结果，并且在UniDA的四个设置中显著优于基线。
Dec, 2023
通过引入新的先验引导的伪标签优化策略，提出了一种改善UniSSDA适应性设置中常见类别偏差的方法，有助于在Office-Home、DomainNet和VisDA等基准数据集上取得最佳性能，并为UniSSDA建立了新的基准线。
Mar, 2024