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

本研究提出了一种信息理论方法来处理具有多个相似目标领域的无监督域适应问题，通过寻找一个共同的潜在空间，同时利用信息理论方法实现共享和私有信息的分离，并利用高效的优化算法完成从单一源到多个目标领域的自适应过程。

Oct, 2018

本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

Feb, 2020

本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

Jul, 2020

提出了更普适的交叉领域语义分割问题（TACS），该问题允许两个域之间的标签存在不一致性，并引入一种同时解决图像级和标签级适应性的方法，即采用双边混合采样策略增强目标域并使用标签重标记方法统一标签空间，同时提供一种基于对比学习的不确定性校正方法以减少域差异。大量实验结果表明该方法优于现有最优解，且能够适应目标分类学。

Sep, 2021

本研究提出了一种新的逐步领域自适应方法，称为Intermediate DOmain Labeler（IDOL），应用了粗到细的框架，通过逐步领域鉴别器训练和循环一致性损失函数，发现中间的领域序列，并提升了自适应性能。

Jul, 2022

该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。

Feb, 2023

本研究针对无标签信息的目标领域，依靠因果机制的最小变化特性来最小化分布偏移的影响，利用两个分区潜在子空间的潜在变量模型来约束域移，证明潜在变量是部分可识别的，提出一种实用的域适应框架iMSDA，并在基准数据集上取得了优于现有算法的实验结果，证明了我们框架的有效性。

Jun, 2023

提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。

Aug, 2023

无监督领域适应问题中，为了准确评估边际和条件分布的差异，我们引入了柯西-斯瓦兹散度，该散度相比于常用的库尔巴克-莱布勒散度提供了更严密的理论广义误差界限，并能方便地用于源领域和目标领域在表示空间中的边际和条件分布差异的估计，而无需任何分布假设。多个示例验证了柯西-斯瓦兹散度在基于距离度量或对抗训练的无监督领域适应框架中的出色性能。

May, 2024