本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。 我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用3个基准数据集的大量实验证明了我们的方法在新设置下优于现有的UDA方法，在现有UDA变量中也很有竞争力。

Jun, 2021

提出了更普适的交叉领域语义分割问题（TACS），该问题允许两个域之间的标签存在不一致性，并引入一种同时解决图像级和标签级适应性的方法，即采用双边混合采样策略增强目标域并使用标签重标记方法统一标签空间，同时提供一种基于对比学习的不确定性校正方法以减少域差异。大量实验结果表明该方法优于现有最优解，且能够适应目标分类学。

Sep, 2021

这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

Apr, 2022

本文提出Gradual Self-Training算法，通过逐步适应介于源域和目标域之间的中间域，使得在目标域上的泛化误差得到大幅度改善，在更为宽松的假设条件下给出了推导的新的上界，该上界只在T上线性地，加性地依赖于一系列基础参数，其中包括平均分布距离，不仅意味着最优的中间域数量存在，还暗示了一种最优的构建方式，同时在多个数据集上验证了该理论可行性。

Apr, 2022

本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在CDA问题中实现了最优性能。

Aug, 2022

提出了自我监督中间领域探索（SELF-SUPERVISED INTERMEDIATE DOMAIN EXPLORATION，简称SIDE）方法，通过中间领域循环筛选、领域间的差距过渡以及交叉视图一致性学习，解决了领域自适应中的源域不可用和分布不匹配的问题。实验证明，SIDE在Office-31、Office-Home和VisDA-C等数据集上与现有方法相比具有竞争性的性能。

Oct, 2023

我们提出了一种算法框架GOAT，可在数据相关的方式下生成中间领域，以改进标准的逐渐领域自适应（GDA）的性能，显著扩大GDA的实际应用场景。

Oct, 2023

通过渐进性的源领域扩展算法，将目标数据集作为伪源样本，从而通过多次重新初始化网络权重的训练，提取先前运行得出的知识，促进领域之间的对齐，改善无监督领域适应的准确性。

Nov, 2023

通过引入新的先验引导的伪标签优化策略，提出了一种改善UniSSDA适应性设置中常见类别偏差的方法，有助于在Office-Home、DomainNet和VisDA等基准数据集上取得最佳性能，并为UniSSDA建立了新的基准线。

Mar, 2024