本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为AMEAN，其中使用了两种对抗学习方法，以克服BTDA中的负转移效应和隐式类别缺陷，并取得了良好的性能。

Jul, 2019

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

Apr, 2020

我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

Jul, 2020

本文提出了一种基于伪源域的方法，通过生成和扩充伪源域，引入四种新的基于伪标签的策略 loss 进行分布对齐，并在伪源域和剩余目标域之间引入一个域对抗损失，以减少分布漂移，从而有效地解决了无监督域自适应的问题。

Sep, 2021

提出了一种新的多源域自适应方法Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

Feb, 2022

在源-无源领域自适应（DA）场景下，本文提出了一种混合原始和对应的泛化样本的解决方案，用于提高领域的转移能力和保护隐私，在现有的无源 DA 方法上实现提高识别和转移的平衡，并在分类和语义分割任务上实现了最先进的性能，在单源和多源场景下均给出实验验证。

Jun, 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

该研究提出了Source-free Multi-target Domain Adaptation的新任务，并采用由Consistency with Nuclear-Norm Maximization和MixUp knowledge distillation（CoNMix）组成的适应性框架作为解决此问题的方法。该框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。此外，我们还提出了MixUp Knowledge Distillation（MKD）用于改进多个目标域的泛化能力，并展示了Vision Transformer（VT）骨干具有更好的特征表示和分类可辨别性。最终，该框架在多种源自由STDA和MTDA设置的流行域适应数据集上实现了最先进的成果。

Nov, 2022

本文提出了一种名为DMAPL的半监督微调方法，基于移动平均的原型分类器，用于源自由归纳域适应中的标签伪造和模型微调，并在实验证明其表现优于现有方法。

Dec, 2022

从服务角度出发，提出了一个新颖的问题场景，称为 Three-Free Domain Adaptation（TFDA），解决了多源领域适应中训练依赖先前领域信息、同时需要源和目标数据集的问题；通过 FREEDOM 框架，结合生成模型和分类模型，实现了在没有领域信息的情况下，将源类别分布与目标类别匹配，从而取得了与最先进方法相媲美甚至优于其的性能，并降低了目标端的模型大小。

Jul, 2023