本文介绍了一种基于能量模型的主动学习策略，名为 “EADA”，可用于帮助将深度神经网络推广到新的目标域。该算法通过求解目标数据组的自由能量，结合领域特征和实例不确定性，从中选择最有价值的目标数据样本。此外，领域差可以通过调整目标数据的自由能量使之紧凑地围绕源域，从而得到有效缩小。实验表明，该算法在各项基准测试中表现良好，比其他先进方法有很大的优势。

Dec, 2021

该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

May, 2022

D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.

Feb, 2022

基于深度时间状态领域自适应（DTSDA）模型，本研究旨在解决跨用户人类活动识别（cross-user HAR）中的行为变异性问题，通过利用活动中的不同子活动之间的时间关系，DTSDA 模型能够在不同用户之间建立起用户不变的时间关系，从而在跨用户 HAR 应用中展现出卓越的性能。

Mar, 2024

Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.

Jul, 2023

本文综述了近期就惯性测量单位（IMU）为基础的人体活动识别领域中应用于领域自适应技术的最新研究进展，并讨论了潜在的未来方向。

Apr, 2023

借助未标记的数据，AdaEmbed 通过学习一个共享的嵌入空间，生成精确且统一的伪标签，从而克服了常规半监督领域适应的局限，显著提高了性能。

Jan, 2024

提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

Apr, 2019

该论文提出了一种新颖的去纠缠自编码器 (Dis-AE) 神经网络结构，可以学习领域不变的数据表示，实现多标记医学测量分类的领域泛化，并评估其在多个领域上的泛化能力。

Jun, 2023

本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

Feb, 2022