本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景(1SmT)的模型参数自适应转移的无监督域适应框架(PA-1SmT)，该框架通过学习一个共同的模型参数词典进行知识转移，并在三个领域适应基准数据集上实验验证了其优越性。

Sep, 2018

本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

May, 2019

本文针对数据保护的要求，提出了一种基于分类模型训练的无监督领域自适应方法：Source HypOthesis Transfer(简称SHOT)，通过提取目标领域的特征并利用同一假设对原数据和目标数据进行映射，同时利用半监督学习来提高目标域中置信度较低的样本的准确性，实现了卓越的性能及实用价值。

Dec, 2020

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

该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

Apr, 2021

该文提出了一种名为UMAD的通用模型适应框架，能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理open-set和open-partial-set的两种UDA场景，并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。

Dec, 2021

本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

Jul, 2022

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在Digits and DomainNet基准测试上优于或与现有方法相当。

May, 2023

通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

Sep, 2023