该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

Apr, 2017

该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。

Aug, 2020

该研究讨论了在医疗应用中跨越不同年龄阶段对于疾病分析和预测的持续化索引的域自适应问题。论文提出了一种新方法，结合传统的对抗性适应和一个能建模编码条件下的域索引分布的判别器，将域索引使用于连续范围的域自适应。实验结果表明，该方法在合成和现实世界的医学数据集上的表现优于其他领先的自适应方法。

Jul, 2020

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

该论文介绍了一种新颖的连续域适应方法 W-MPOT，通过构建基于 Wasserstein 距离的源域和中间域的转移课程表，使用连续最优传送的修改版本在转移课程表中的多个有效路径上将源模型转移到目标域，引入双向路径一致性约束以减轻连续转移过程中累积映射误差的影响，在多个数据集上广泛评估 W-MPOT，在多次会话的阿尔茨海默 MR 图像分类中提高了 54.1％的准确性，并在电池容量估计中降低了 94.7％的 MSE。

Feb, 2024

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

在弱监督开放域自适应中，使用 CDA 的知识转移方法能够双向协调地分类未标记数据和识别异常点，并在应用于 Person reidentification 和 Office 基准时达到了最先进的性能。

Apr, 2019

研究 AI 模型在连续领域适应中所遇到的领域转换和灾难性遗忘等问题，并提出了基于 Gradient Regularized Contrastive Learning 的方法来解决这些问题，实验结果表明该方法在 Digits, DomainNet and Office-Caltech 基准测试中表现优越。

Jul, 2020

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

本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法 CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。

Mar, 2023