通过分析WSL技术在UDA问题中遇到的挑战，提出了一种Label Propagation with Augmented Anchors(A2LP)算法，通过生成带有高置信度标签预测的未标记虚拟实例(即增强锚点)来改进LP。经过实验证明，A2LP作为简单的WSL扩展改进了基准UDA技术，强化了两种最先进的方法。

Jul, 2020

研究发现，自适应领域不受监督学习（UDA）和半监督学习（SSL）虽然看似不同，但其任务目标和解决方案十分相似。基于这个发现，通过在UDA基准测试上适应八种SSL算法，发现SSL方法具有较强的UDA学习能力，在DomainNet挑战性UDA基准测试上，SSL方法显着优于现有的UDA方法，并且可以通过SSL技术进一步增强现有UDA方法的性能。因此，未来UDA研究中应将SSL方法作为基线应用，并期望揭示的UDA和SSL之间的关系能够给未来UDA发展带来启示。

Jun, 2021

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

该论文提出了一种基于源自适应范式的SSDA模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

Feb, 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

通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

Sep, 2023

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