本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

Feb, 2015

该论文提出了一种名为Deep Transfer Network的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

Mar, 2015

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

本研究介绍了一种叫做JAN的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

May, 2016

本文介绍了一种神经网络结构——附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

Nov, 2017

本文研究了传递学习的有效性，并发现原先认为的更多的预训练数据不一定就能提高模型性能，而是需要审慎选择预训练数据。同时，作者提出了基于目标数据集计算重要性权重的领域自适应传递学习方法，并在多个细粒度分类数据集上取得了最先进的结果。

Nov, 2018

针对部分领域自适应(PDA)问题，我们提出了一种基于加强学习的转移网络(RTNet)，利用高层次和像素级别信息进行数据选择，并在共享标签空间中最小化域之间的差异，具有良好的性能表现。

May, 2019

通过引入一种全新的跨域潜在调制机制来实现有效迁移学习，利用源域和目标域的深度表示进行交叉调制，通过可视化的证据得到支撑，我们提出了一种基于变分自编码器框架的解决方案，并在多个迁移学习基准任务中展示了强大的表现，特别是在无监督领域适应和图像到图像翻译方面。

May, 2022

本论文提出了一种新的领域自适应方法，它可以分别测量内部依赖结构和边际之间的差异，并通过优化它们之间的相对权重来放松传统方法的死板性。实验结果表明，与各种基准领域适应模型相比，该方法的改进非常显著和稳健。

May, 2023

通过逐层学习方案调整学习参数，我们提出了一种新颖的方法，应用于基于注意力图和导数的迁移学习方法，并在广泛的数据集中观察到改进的学习性能和稳定性。

Jul, 2024