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

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

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

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

Feb, 2022

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

本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

Mar, 2021

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

Jul, 2022