我们提出了一种新颖的神经网络端到端领域自适应技术——联想域自适应，这种技术通过强化源数据与目标数据之间的关联，在嵌入空间中产生统计领域不变嵌入并最小化标签产生误差，从而对未标记的目标域推断类标签，有效地实现域适应，并取得了卓越的性能。

Aug, 2017

该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

Apr, 2019

我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样-based的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。

Jun, 2020

本研究提出一种基于实例相似度和分类内聚性和分类分离性的目标域适应策略(ILA-DA)，其使用多样本对比损失函数来驱动领域对齐过程，在多种基准数据集上实现明显的准确率提高。

Apr, 2021

提出了一种高效的概率框架，用于提取类别原型并将目标特征与其对齐，进而解决当前无监督域自适应方法中的采样可变性、类别不平衡和数据隐私问题，该方法适用于多种场景，包括单一源域，多源域，类别不平衡和源隐私域自适应，无需额外模型参数且计算量适中，在性能上达到了与现有最先进方法相媲美的水平。

Oct, 2021

本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。

May, 2022

本文研究深度学习中前馈源自适应的应用及其改进，通过交叉关注机制自适应目标数据集，探索自动化实例选取提升性能，实验表明我们提出的框架能显著改进现有方法。

Jul, 2022

提出了一种新的Memory-Assisted Sub-Prototype Mining (MemSPM)方法，可以学习同一类别内样本之间的差异，并在存在显著概念转变的情况下挖掘子类别，从而学习到更合理的特征空间，提高了可转移性并反映了被注释为同一类别的样本之间的固有差异。在多个场景中进行了评估，包括UniDA、OSDA和PDA，该方法在大多数情况下在四个基准测试中取得了最先进的性能。

Oct, 2023

多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

Mar, 2024

本文解决了通用领域适应（UniDA）中知识迁移面临的领域与类别偏移问题。提出了一种新颖的方法，称为小批量原型部分最优传输（m-PPOT），用于实现部分分布对齐。实验结果表明，该方法在性能上优于现有的最先进UniDA方法，具有重要的应用潜力。

Aug, 2024