该论文介绍了一种新的方法 —— 联合多维标度，它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中，同时只需要每个数据集内部的成对不相似性作为输入，并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。

Jul, 2022

通过转换为可优化的对偶形式，将最大化部分替换为其对偶形式，能够更稳定且单调地优化目标函数，用于解决分布对齐问题。实验表明，对于线性鉴别器，对偶形式在平面上对齐合成点云和数字领域自适应问题中均具有更强的稳定性和单调性。

Jul, 2017

采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

Nov, 2017

本文提出了一种简单而有效的半监督学习方法，称为增强分布对齐，以解决有限标记样本导致的采样偏差问题，并介绍了一些实现策略（比如采用对抗式训练、插值策略等），同时在 SVHN 和 CIFAR10 数据集上进行了验证。

May, 2019

提出了一种新的、高效的目标函数，通过动态先验，直接逼近单模态和联合多模态后验概率分布，利用 Jensen-Shannon 散度求解多个分布的问题，并理论证明了该模型的有效性，在无监督的生成学习任务中表现优异。

Jun, 2020

通过提出一种基于非对抗的 VAE 对齐方法，本研究克服了对齐方法中的一些限制，并比较了该方法与先前的基于 VAE 的对齐方法的理论和实证研究。最终，实验证明我们的新颖对齐损失可以替代标准不变表示学习流程中的对抗损失，从而显著拓宽了非对抗对齐方法的适用范围。

Oct, 2023

通过样本分布和经验代理之间的平滑 JSD 差异，提出了一种新的训练目标，基于核的 GAN，旨在克服 GAN 的训练困难，提高其实际效果。

May, 2017

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

该研究提出了一种基于对称支持差异测量来量化不匹配的支持的方法，通过优化鉴别器在一维输出空间中的对称松弛最优输运成本，实现支持的对齐，并在标签分布转移的领域适应任务中得到了更强的稳健性。

Mar, 2022

本研究旨在探究双向对抗训练中的不可识别性问题，并提出了基于条件熵的对抗和非对抗方法，用于无监督和监督任务的匹配联合分布学习。同时，将广泛的对抗模型统一为联合分布匹配问题，并提供了对于半监督学习任务的扩展方法。通过对合成数据和现实世界应用的验证，证明了理论结果的正确性。

Sep, 2017