利用高斯过程对近 5 万个 $0.5< z< 3.0$ 且 $H<25$ 的星系进行光谱能量分布拟合以重构其恒星形成历史（SFH），研究星系增长、沉淀与 SFH 时间尺度相关性；并以星系形态为标准，分析星系的 SFH 下降时间，证明高斯过程可提供一般性的、无需假设函数形式的 SFH 估计方法，减小由 Parametrization 造成的物理参数评估误差。

Jan, 2019

本文介绍了一种通用域适应方法 DeepAstroUDA，用于将不同类型的数据集进行半监督域对齐，在不同天文调查之间架起桥梁，对未标记的数据进行异常检测和聚类。

Nov, 2022

该研究采用 ProSpect SED 拟合代码，结合一个针对金属参数的参数化恒星形成历史描述来恢复宇宙恒星形成历史，同时分析不同类型的星系对恒星形成历史和宇宙金属质量密度的贡献。

May, 2020

本文介绍了一种名为 DeepAstroUDA 的通用领域自适应方法，可用于具有不同数据分布和类别重叠的数据集，以及存在未知类的情况。我们将其应用于三个不同复杂度的星系形态分类任务的示例中，成功使用领域自适应方法实现了极度不一致的观测数据的分类，提高了模型性能，使模型能够在多个数据集上实现一致的表现。同时，我们的方法也用作了一种异常检测算法，并可以成功地聚类未知类样本。

Feb, 2023

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

Dec, 2022

本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

Mar, 2023

该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

Aug, 2022

本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

Apr, 2022

本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

Oct, 2015

通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对 SF-UDA 方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种 SF-UDA 技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对 SF-UDA 性能的重要性。

Feb, 2024