本文介绍了一种针对域自适应问题的新型分布距离度量——偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

Feb, 2009

本文提出了新的域自适应算法，优于以前的差异最小化算法，不像以前的算法那样在训练样本上具有固定的损失权重重新加权，我们的算法有坚实的理论基础和更有利的学习界限，并提供了一种有效的解决其优化问题的方法，实验结果表明该算法优于差异最小化。

May, 2014

本文在探讨域自适应的过程中，提出了一种使用Wasserstein度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

Oct, 2016

本研究提出了一种加权MMD方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了MMD忽视类别间重量偏差的问题。实验表明，加权MMD方法优于传统的MMD方法在域适应中的表现。

May, 2017

我们提出了一种新的度量源域和目标域之间差异的度量器称为S-disc，利用源域标签计算效率和计算误差均有所提升，可用于比现有方法更紧密的推广误差界和提供更好的实验结果。

Sep, 2018

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

本研究从理论和算法角度探讨了无监督域自适应的问题，并引入了一种名为Margin Disparity Discrepancy的新测量方法，成功地将该理论转化为一种对抗学习算法，极大地提高了域自适应的状态。

Apr, 2019

本文研究了在共享类别不足的情况下，非监督领域自适应问题。文章提出了一种有效的评分机制来鉴别共享类别的样本，并将评分应用于训练过程中选择目标领域中的伪标签样本。文章中的另一个损失函数鼓励每个批次内标签的多样性。综合来看，我们的方法在文献基准测试中表现出比现有技术更强大的性能。

Jan, 2020

该论文综述了迁移学习中的一个具有代表性的子领域——领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Apr, 2020

论文旨在设计主动学习策略，实现基于Lipschitz函数假设的领域自适应。通过对Mansour等人（2009）的先前工作进行补充，我们将源和目标分布之间的差异距离概念适应于假设类的最大化，来局限于在源域上执行准确标记的函数类。我们针对满足正则条件的一般损失函数导出了这种主动学习策略的推广误差边界，用于兰德马赫平均值和局部差异度量。从理论边界中推导出实用的K-medoids算法，可以处理大数据集的情况。我们的数值实验表明，在领域自适应的情况下，特别是在约十万个图像的大数据集上，所提出的算法与其他最先进的主动学习技术具有竞争力。

Mar, 2021