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

该论文提出了一个基于原模型中的隐藏知识，利用其生成原型并进行适应的对比原型生成和适应方法，以在没有源数据的情况下适应未标记的目标域，同时解决了存在不平衡类分布的实用情况，并通过新的伪标签生成策略和针对性的分类器，优化模型适应度，有望在应用中取得更好表现。

May, 2023

本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

Mar, 2023

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024

本文提出一种名为 ProCA 的原型引导的连续适应方法，解决了具有挑战性的 Class-Incremental Unsupervised Domain Adaptation (CI-UDA) 问题，该问题包括标注源域包含所有类，但是未标注目标域逐步增加类的情况。通过标签原型识别和基于原型的对齐和回放两种策略，ProCA 能够有效地将源模型适应到这个增量式目标领域中。

Jul, 2022

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。

Jun, 2021

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

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

本文介绍了一种 CoSDA 的思想，它是基于源领域内训练的模型，利用一种新的一致性正则化方法来缓解遗忘，采用双速优化师生模型对目标领域进行了训练，并且在连续适应方面优于现有的方法。

Apr, 2023