本文章提出了一种基于对比适应性网络(CAN)的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明CAN在两个真实场景Office-31和VisDA-2017上表现优异，具有更好的特征鉴别能力。

Jan, 2019

本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。

Mar, 2020

本文提出了一种将源域和目标域相结合的联合优化框架，并引入了一种称为JCL的新方法，它利用对比损失来最大化特征和标签之间的互信息，以最小化联合误差，从而有效提高了特征传递性和分类效果。

Jun, 2020

本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

Mar, 2021

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

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

本文介绍了Contrast and Mix（CoMix）的新对比学习框架，旨在为无监督的视频领域适应学习具有判别不变性的特征表示。与现有方法依靠对抗学习进行特征对齐不同，我们利用时间对比学习通过最大化未标记视频在两个不同速度下的编码表示的相似性以及最小化不同速度下播放的不同视频的相似性来弥合领域差距，还利用背景混合提出了一种用于时间对比性损失的新型扩展，从而允许每个锚点附加附加正物，增加视频领域适应的语义分享。此外，我们还使用目标伪标签集成了有监督的对比性学习目标，以增强视频领域适应的潜在空间的可区分性。在几个基准数据集上进行的广泛实验验证了我们所提出的方法的优越性。

Oct, 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

本文介绍了一种自主学习方法的无监督域自适应技术，即Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于UDA。实验表明，DCCL的表现显著优于基线。

Jul, 2022

本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

Nov, 2022