该论文探讨了如何选择多个源来进行领域适应，使用注意力学习算法解决了多源无监督领域适应中的源选择难题，并在情感分类基准测试中表现出更好的性能。

Apr, 2020

本论文提出了一种用于多源无监督领域自适应的专家混合方法，旨在显式地捕获目标示例与不同源域之间的关系，以点到集度量为表达方式，通过元训练无监督地学习这个度量，并在情感分析和词性标注方面进行实验，证明了我们的方法始终优于多个基准线，并可以稳健地处理负迁移。

Sep, 2018

本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

Jun, 2021

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

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

Dec, 2023

本文提出了一种新的多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。

Jul, 2018

本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

Mar, 2018

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

研究了大型预训练转换模型在无监督多源域自适应中的效果，发现领域对抗性训练对其有影响，但对表现影响不大，同时混合专家方法则显著提高了表现并比较了几种混合函数，包括一种基于注意力的新混合方法。

Sep, 2020