提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

May, 2020

我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样 - based 的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。

Jun, 2020

本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

May, 2019

无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

Feb, 2024

本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高置信度目标样本，在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是，我们通过先验地推断源样本原型来确保源数据的隐私，从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析，涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性，展示了其相对于现有最先进 PDA 方法的优越性。

Sep, 2023

训练模型以适应由类先验或群组先验的分布变化引起的偏移问题并不容易，我们提出一种极其轻量级的事后方法，通过在验证集上求解约束优化问题并应用于模型，从而在测试时尽量减小选定目标分布周围的分布鲁棒性损失，并带有可证明的保证和实证的结果证明，表明我们的方法非常适用于分布鲁棒的事后分类器。

Sep, 2023

本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

Mar, 2019

提出了一种高效的概率框架，用于提取类别原型并将目标特征与其对齐，进而解决当前无监督域自适应方法中的采样可变性、类别不平衡和数据隐私问题，该方法适用于多种场景，包括单一源域，多源域，类别不平衡和源隐私域自适应，无需额外模型参数且计算量适中，在性能上达到了与现有最先进方法相媲美的水平。

Oct, 2021

本文提出了一个更接近实际情况的机器学习问题：“不同领域的特征分布不同，且标签分布不均衡，如何将它们对齐？” 并构建了第一个包括 22 个跨域任务的基准测试数据集，并使用 COAL 模型进行了广泛的实验，发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐，对于该问题的未来研究能提供更好的基准测试数据集。

Oct, 2019

我们提出了一个学习问题，涉及将预先训练的源模型适应到目标领域，用目标数据对仅覆盖部分标签空间的所有类进行分类。我们发现在目标适应数据中保持缺失类的准确性以及提高总体性能是具有挑战性的，并提出了解决方法，包括分离领域梯度和分类梯度，以及保留类之间的关系。通过这些有效的解决方案，我们建立了预训练模型在部分目标数据上的整体转移的坚实基线。

Nov, 2023