该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

Jul, 2015

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

本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性匹配。我们进一步认为共享相同标签的样本形成更紧凑的聚类，同时拉开来自不同类别的样本。我们针对手工制作和深度网络功能使用我们的提案进行全面评估和对比，并在视觉领域自适应任务中展示了我们的实验，即使是用简单的最近邻分类器，这种方法也可以胜过几种最先进的方法。

Nov, 2016

本文针对无监督域自适应问题，假设两个域的联合特征/标签空间分布之间存在非线性变换，提出了使用最优输运解决此问题的方法，并在实际分类和回归问题中证明了方法的高效性及超越现有技术的性能。

May, 2017

本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

Jan, 2019

该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。

Jun, 2020

本文介绍了一种新的方法——加权联合分布最优输运，它利用源分布的多样性来解决多个标记源数据集到未标记目标数据集的领域适应问题，同时在源和目标分布之间寻找最优的输运对齐和重量重新平衡。 数值实验表明，该方法在模拟和现实数据集上实现了最先进的性能。

Jun, 2020

通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

Apr, 2023

本文解决了通用领域适应（UniDA）中知识迁移面临的领域与类别偏移问题。提出了一种新颖的方法，称为小批量原型部分最优传输（m-PPOT），用于实现部分分布对齐。实验结果表明，该方法在性能上优于现有的最先进UniDA方法，具有重要的应用潜力。

Aug, 2024

本研究解决了最优传输(O.T.)理论在源数据和目标数据点概率分布之间定义距离时基础度量的不足。我们提出了一种通过对称正定矩阵参数化的适当潜在基础度量的学习方法，利用其黎曼几何特性共同学习O.T.距离和基础度量，实证结果表明所学度量在O.T.基础的领域适应中具有良好效果。

Sep, 2024