多源领域自适应的子空间识别
本研究介绍了一种新的领域自适应算法，其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数，我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小，一种方法使用所得结果稳定性的理论边界来调整子空间的大小，另一种方法使用最大似然估计来确定子空间的大小。除了PCA，我们还提出一种子空间创建方法，它在领域自适应中优于PLS和LDA，并在各种数据集上对我们的方法进行了测试，结果表明它的性能优于现有的领域自适应方法。
Sep, 2014
本文提出了一种基于随机次梯度下降优化学习问题的交替优化技术，以在几个域适应任务上展示其性能，该技术旨在同时学习源子空间和预测函数，最小化正则化误分类损失。
Nov, 2014
本文介绍一个基于层级结构的领域自适应技术，用于适应在源域上学习的分类器以在目标域上运行，这种方法利用源域和目标域特征所展开的子空间，探究了数据的层级组织，并考虑了源域和目标域的多个子空间。我们对不同的基于子空间的领域适应技术在这种情况下进行了评估，并观察到，基于层级结构的不同子空间相比于非层级基线方法产生了一致的提高。
Jan, 2015
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
该研究提出了一种名为T-SVDNet的新方法，通过将Tensor奇异值分解（T-SVD）结合到神经网络的训练管道中，全面探索多个域和类别之间的高阶相关性，旨在更好地弥合域差距，实现多源域自适应。与其他方法相比，在公共基准测试上，该模型在解决MDA任务时表现卓越。
Jul, 2021
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
本研究针对无标签信息的目标领域，依靠因果机制的最小变化特性来最小化分布偏移的影响，利用两个分区潜在子空间的潜在变量模型来约束域移，证明潜在变量是部分可识别的，提出一种实用的域适应框架iMSDA，并在基准数据集上取得了优于现有算法的实验结果，证明了我们框架的有效性。
Jun, 2023
通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法，本文提出了一种更具泛化能力的无源域适应方法，在目标训练集和测试集上同时提高模型性能，实现了在多个无源域适应基准上的最先进性能，并展示在未知测试集上的鲁棒性。
Aug, 2023