多目标域自适应（MTDA）的研究挑战在于多个具有不同分布的目标域。本文提出了一种以单个教师架构为基础的 MTDA 框架，通过动态循环处理多个目标域，并利用 Fisher 信息来最小化对前面目标域知识的遗忘。同时，我们还提出了一种针对多目标域的上下文引导的类别混合技术（CGMix）。在四个城市驾驶数据集（GTA5、Cityscapes、IDD 和 Mapillary）上的实证评估表明，我们的方法优于现有的最先进方法。

Mar, 2024

通过探索不同域之间的相互作用，我们提出了一种基于知识图谱的多源领域适应框架（Learning to Combine for Multi-Source Domain Adaptation, LtC-MSDA），其中构建了知识图谱来实现语义相邻表示之间的信息传播，并学习图模型以在相关原型指导下预测查询样本。此外，我们设计了一种关系对齐损失（RAL），以促进类别相互依存关系的一致性和特征的紧凑性。在公共基准测试数据集上的综合结果表明，我们的方法优于现有方法，并提供了可靠的代码实现。

Jul, 2020

本文提出了一种新颖的双对抗协同学习方法，用于多领域文本分类，该方法利用共享 - 私有网络进行特征提取，并在不同域和标签与未标签数据同时下采用双重对抗正则化来对齐特征，并旨在通过所学习的特征来提高分类器的泛化能力。我们在多领域情感分类数据集上进行了实验，结果表明所提出的方法达到了目前最先进的多领域文本分类性能。

Sep, 2019

本文提出了一种新的无监督多目标域自适应方法，通过多教师知识蒸馏来训练 CNN，使其可以在多个目标领域上广义化。该方法通过逐步蒸馏目标域知识到一个共同的学生无直接学习域适应特征，同时保留每个目标（教师）的特异性以适应学生，通过在多项具有挑战性的 UDA 基准测试上的实证结果表明，我们提出的模型可以在多个目标域上提供较高水平的准确性。

Jul, 2020

本文提出了一种利用教师模型进行无监督领域自适应的聚类对齐方法，其针对源域和目标域的判别性聚类结构进行对齐，并在多种无监督领域自适应场景下实现了最先进的效果。

Mar, 2019

介绍了一种课程学习方法，将通用的神经机器翻译模型适应于特定领域，实验结果表明，在两个领域和两种语言对中，该方法始终优于基准模型。

May, 2019

半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

Sep, 2023

本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

Sep, 2019

我们提出了一种名为 GraphCTA 的新范式，通过一系列步骤：在考虑本地和全局信息的情况下，基于目标图中节点邻居的预测进行模型适应；通过邻域对比学习来更新图结构和节点属性进行图适应；以及使用更新后的图作为输入来促进后续模型适应的迭代，从而在没有访问标记源图的情况下解决领域适应问题。我们在各种公共数据集上进行了全面的实验，实验结果表明我们提出的模型较最近的无源基准模型有很大的改进。

Mar, 2024

本研究利用实例级域相关特征和自动构建培训计划的方式，同时为多领域进行数据选择；经过大规模实验，证明多领域计划能达到或超过单独培训的性能，并带来实质收益。

Aug, 2019