基于递归条件高斯的有序无监督域自适应
本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。
May, 2019
本文提出了一种用于无监督域适应的新方法，该方法使用 PS-VAEs 和 CycleGAN 在目标数据集的标签分布与源数据集的标签分布不匹配的情况下进行特征对齐，以解决目标移位问题，并在分类和回归任务中取得了良好的效果。
Jan, 2020
该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。
Jun, 2020
本文提出一种自适应的、细粒度子类型感知的对齐方法，通过中间伪标签明确地推动类间分离和子类型紧致性，进而发现潜在的子类型结构，并在医学诊断任务中取得了有希望的结果。
Jan, 2021
通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。
Apr, 2022
本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。
Jul, 2022
深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。
Jul, 2023
提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准U-Net的性能改善。
Dec, 2023
我们提出了一种名为Prompt-driven Latent Domain Generalization（PLDG）的新型无标签领域通用化（DG）框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化，并在三个医学图像分类任务和一个去偏任务上展开了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统DG算法相媲美甚至更好的性能。
Jan, 2024