源标签适应的半监督域自适应
本研究提出了一种基于样本对的半监督领域自适应方法，该方法通过自蒸馏生成辅助特征，并通过最小化学生和辅助之间的输出差异来训练模型以减少领域之间和领域内的差异，在标准基准上实验结果表明该方法有效地减少了差异，并取得了明显的改进。
Nov, 2021
本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。
May, 2022
本研究通过引入对比损失和伪标记机制，对半监督域自适应问题进行了有效解决，并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。
Sep, 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
本文从标签噪声学习的角度出发，探究了在无源领域适应中的标签噪声。研究表明，仅依赖分布假设的LLN方法无法应对SFDA中的标签噪声。同时，我们证明了早期训练现象也可在SFDA中应用，并利用此方法提高了现有SFDA算法的性能。
Jan, 2023
本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将SSDA分解为UDA问题和半监督学习问题来更有效地利用目标样本，在其上提出了一种基于一致性学习的平均教师模型的方法，并表明此方法的效果优于现有方法。
Apr, 2023
本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的SSDA性能。
May, 2023
该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的SFDA方法，获得了在VisDA、DomainNet和OfficeHome三个领域自适应数据集上的最新成果。
Jan, 2024
这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。
Jan, 2024
通过引入新的先验引导的伪标签优化策略，提出了一种改善UniSSDA适应性设置中常见类别偏差的方法，有助于在Office-Home、DomainNet和VisDA等基准数据集上取得最佳性能，并为UniSSDA建立了新的基准线。
Mar, 2024