无监督领域自适应对抗鲁棒性
提出了一种基于结构条件对抗学习方案（SCAL），该方案能够在域分布对齐期间保留内部类紧密性。结合本地结构作为结构感知条件，通过结构条件对抗学习管道实现。实验结果证明了该方案在无监督领域适应方案中的有效性。
Mar, 2021
本文提出了一种基于Fourier对抗攻击的鲁棒域自适应技术(RDA)，可用于解决多个计算机视觉任务中的域自适应问题，其生成的对抗样本可以在使图像特征保持不变的情况下，减小由于域偏移带来的噪声问题，从而使模型的鲁棒性增强。
Jun, 2021
本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。
Jul, 2021
本文针对无监督域适应问题，提出了一种基于对比度预训练的分类器学习方法，该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射，并在基准视觉数据集上获得了验证。
Apr, 2022
本文提出了一种新的元自我训练流程SRoUDA，通过自训练的范例，SRoUDA允许直接将AT纳入到UDA中，并且，在SRoUDA中的元步骤进一步有助于由嘈杂的伪标签导致的误差传播的缓解。经过各种基准数据集的广泛实验表明，SRoUDA在不损害清洁度准确性的情况下实现了显着的模型稳健性的提高。
Dec, 2022
本文提出了一种称为Transfer Score的度量标准，它通过评估分类器的空间均匀性、特征空间的传递性和区分度，实现了无监督评估域自适应模型的功能，并在公共数据集上进行了广泛的实证研究，证明了Transfer Score度量标准在评估和提高自适应技术整体效果方面的工具性和潜力。
May, 2023
研究了分布变化和对抗样本在机器学习模型部署中的两个主要挑战，并提出了一种新的防御框架DART，通过独特的领域适应度及损失函数建立的一般性界限，显著提高对抗鲁棒性。
Feb, 2024
通过互信息优化，本文从表示学习的角度研究鲁棒的无监督领域自适应，并设计了一种利用互信息理论的新算法，名为MIRoUDA，以实现鲁棒性、区分性和泛化性等三个期望特性，同时提出了相应的双模型框架，大量实验结果表明我们的方法在各项评测中都明显优于现有技术。
Jun, 2024