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

该论文提出了一种名称为CDDA的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

Apr, 2017

本文提出了一种利用解脱分析提高保持领域适应性能的方法，通过分别提取共同特征和特定领域特征，可以合成更多带有监督的目标域数据，从而提高领域适应性能。

May, 2018

本研究提出了一种信息理论方法来处理具有多个相似目标领域的无监督域适应问题，通过寻找一个共同的潜在空间，同时利用信息理论方法实现共享和私有信息的分离，并利用高效的优化算法完成从单一源到多个目标领域的自适应过程。

Oct, 2018

本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

Jun, 2020

本论文提出了一种用于半监督域适应的算法LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。

Oct, 2020

该论文提出了一个新的处理从共变量和标签中引入偏差的方法（Factorizable Joint Shift, FJS），并提出了一种新的联合重要性对齐（Joint Importance Aligning, JIA）的方法来获得用于监督和无监督领域适应的联合重要性估计器及其训练数据的加权。

Mar, 2022

本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在CDA问题中实现了最优性能。

Aug, 2022

提出了一种基于子空间识别理论的多源域自适应方法，它能在较少的约束条件下实现域不变和特定变量的脱钩，通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术，凸显其在实际应用中的有效性。

Oct, 2023

我们研究了领域适应问题，该问题是由于未观察到的潜在变量分布改变所导致的分布偏移。我们的适应方法采用了近端因果学习，一种用于估计因果效应的技术，适用于存在未观察到的混淆变量代理的情况。我们证明了代理变量允许在不明确恢复或建模潜在变量的情况下适应分布偏移。我们考虑了两种情况：（i）概念瓶颈：观察到一个额外的“概念”变量，它介导了协变量和标签之间的关系；（ii）多领域：有来自多个源领域的训练数据，其中每个源领域对潜在混淆变量有不同的分布。我们在这两种情况下开发了一种两阶段核估计方法，以适应复杂的分布偏移。在我们的实验证明，我们的方法优于其他方法，尤其是那些明确恢复潜在混淆变量的方法。

Mar, 2024