本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。

May, 2022

提出了一种名为 G-ABC 的新型 SSDA 方法，该方法通过使用源域和目标域的标记数据对未标记的目标数据进行语义传递，实现了跨域语义对齐，从而实现了分类域对齐。在三个标准基准数据集上进行了广泛的实验，结果表明该方法优于先前最先进的 SSDA 方法，证明了该 G-ABC 算法的优越性。

Jan, 2024

本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

Jun, 2021

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

Feb, 2023

该论文提出了一种半监督领域自适应框架（SSDA），主要通过三个方案（吸引、扰动和探索）来解决目标域中的域内差异问题，进而实现特征对齐。在多个数据集上的实验表明，该方法优于其他方法。

Jul, 2020

提出了一个基于 Elastic Weight Consolidation 并基于上游任务信息的 Sequential Domain Adaptation 框架，来解决在不同领域上 sentiment analysis 同时训练时 catastrophic forgetting 的问题，并在实验中证明了该框架的有效性。

Jul, 2020

该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器，使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效果，超越多种对抗领域对齐方法在多个数据集上实现了卓越的目标精度。

Jan, 2021

本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将 SSDA 分解为 UDA 问题和半监督学习问题来更有效地利用目标样本，在其上提出了一种基于一致性学习的平均教师模型的方法，并表明此方法的效果优于现有方法。

Apr, 2023