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

本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

Jul, 2022

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

Apr, 2020

该论文提出了最大独立领域自适应（MIDA）和半监督 MIDA（SMIDA）算法，用于解决传感器和测量领域中离散和连续分布变化等背景信息的领域适应问题，并在合成数据集和四个现实世界数据集上进行了验证。

Mar, 2016

该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法，并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应，该方法被称为 Self-supervised Implicit Alignment (SImpAl)。通过在五个基准测试上的全面评估，展现了该方法的有效性。

Mar, 2021

该论文提出了一种无需源数据的领域自适应技术，其基于生成式框架，使用来自源类的分类器生成样本，并使用神经能量网络训练联合分布，在此极为新颖的场景中取得了比基准模型更好的结果。

Feb, 2021

本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

Jul, 2020

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

本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

Mar, 2021

本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

Feb, 2020