该论文提出了一种更具普适性的领域自适应框架，称为通过熵优化的领域自适应邻域聚类（DANCE），可以处理任意类别转移。DANCE结合两个新颖的想法：第一，我们提出了一种新的邻域聚类技术，在无监督的情况下学习目标域的结构。第二，我们利用基于熵的特征对齐和拒绝来对齐目标特征与源特征，或根据其熵拒绝它们作为未知类别。实验结果表明，DANCE在开放集，开放部分和部分领域自适应设置中优于基线。

Feb, 2020

本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成（Self-Ensembling）方法，称为具有类别不可知聚类（Category-agnostic Clusters）的SE-CC模型，该模型利用聚类信息提供了与目标领域特定的视觉提示，方便了对于开集和闭集领域自适应的泛化。

Jun, 2020

本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

Aug, 2020

本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。

Aug, 2021

这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

Apr, 2022

提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.

May, 2022

本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

Nov, 2022

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

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

深度神经网络在协变量移位和类别偏移下经常表现出次优性能。本文提出了一种源自由的通用领域适应方法，旨在准确分类属于常见类别的“已知”数据，并将其与目标私有的“未知”数据分隔开。我们提出了一种新颖的全局和局部聚类（GLC）技术，包括自适应的一对多全局聚类算法来区分目标类别，以及一种局部k-NN聚类策略来减轻负迁移。为了解决这一问题，我们将GLC发展到GLC ++，集成了一种对比相似性学习策略。我们在多个基准和类别偏移场景中检验了GLC和GLC ++的优越性。在最具挑战性的开放部分集场景下，GLC和GLC ++分别在VisDA的H分数上比GATE提高16.7％和18.6％。GLC ++在Office-Home的开放集场景中提高了GLC的新类别聚类准确性4.3％。此外，引入的对比学习策略不仅改进了GLC，还显著促进了现有方法。

Mar, 2024