该论文提出了一种新的方法，将迁移学习视为学习聚类的问题，通过相似性信息的迁移学习和聚类网络的学习，实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习，并在该领域展现了最新成果，将其与其他算法进行比较。同时，该方法可以应用于不同的数据集，从而增加了灵活性和稳健性，并通过进一步与域适应法相结合，获得了更好的性能。

Nov, 2017

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

本文提出了一种新颖的半监督域自适应框架，即统一对立结构学习（UODA），通过对反对目的的生成器和两个分类器（即源散射分类器和目标聚类分类器）的训练，以解决当前领先的对抗适应方法中存在的条件分布不匹配和决策边界偏向源域的偏差问题，通过源特征扩展和目标特征聚类过程的交替，使目标特征紧密包含在对应源特征的膨胀边界内，以精确对齐跨域特征，并通过对抗训练范式逐步更新特征距离和表示的测量，以克服模型崩溃的问题，实验结果表明该方法在DomainNet和Office-home数据集的基准测试表现优异。

Feb, 2020

本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

Jun, 2020

本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

Aug, 2020

本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

Jun, 2021

LEOPARD是一种基于深度聚类网络的跨域多流分类解决方案，通过深度聚类策略和对抗域适应策略，可以处理极端标签短缺的情况下，只使用非常少的源流标记样本。

Sep, 2022

该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。

Feb, 2023

提出一种称为SWISS的强弱集成半监督学习策略，用于图像分类的无监督域自适应中。该方法适用于单目标和多目标场景，通过探索域间的类别距离关系以及使用同级域中更强样本的方法来实现从单目标到多目标域自适应的扩展。实验证明了SWISS框架的有效性。

Sep, 2023

该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

Dec, 2023