本文尝试通过构建具有鲁棒性的参数估计器，以实现域自适应分类器性能超越非自适应源分类器的目的，关键词包括领域自适应、分类器、鲁棒参数估计器、判别分析和性能提升。

Jun, 2018

通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

Jun, 2019

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

本文从标签噪声学习的角度出发，探究了在无源领域适应中的标签噪声。研究表明，仅依赖分布假设的LLN方法无法应对SFDA中的标签噪声。同时，我们证明了早期训练现象也可在SFDA中应用，并利用此方法提高了现有SFDA算法的性能。

Jan, 2023

提出了一种动态集成不确定性估值框架（Detective），通过学习适应多源域的模型参数来兼容多源域的联合，综合考虑多源域与目标域之间的领域偏移，使用证据深度学习来探测信息量大的目标样本，并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明，该解决方案在三个领域适应基准上的表现显著优于现有方法。

Nov, 2023

Unknown Sample Discovery (USD)是一种利用时间集成的教师模型进行已知-未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的SF-OSDA方法，着重推进Jensen-Shannon距离（JSD）作为已知-未知样本分离的有效度量。

Dec, 2023

该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的SFDA方法，获得了在VisDA、DomainNet和OfficeHome三个领域自适应数据集上的最新成果。

Jan, 2024

提出一种名为UAD的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

Feb, 2024

无源无监督域自适应的不确定性伪标签过滤适应（UPA）方法，通过自适应伪标签选择（APS）模块进行精确过滤，同时引入类感知对比学习（CACL）以降低伪标签噪声的记忆化，实现与最先进的方法相当的竞争性能。

Mar, 2024

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024