本研究提出了一种加权 MMD 方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了 MMD 忽视类别间重量偏差的问题。实验表明，加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。

May, 2017

提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

Feb, 2022

准确识别人体动作意图（HMI）对于外骨骼机器人来提高穿戴舒适度和实现自然人机交互是有益的。本文基于多源无监督领域自适应理论和算法，考虑源领域主体之间的差异，提出了一种新的多源 UDA 算法 WMDD，通过多源 UDA 理论和边界差异差异（MDD）来测量源主体之间的区别，并将源领域权重自适应地调整到度量源主体与目标主体之间的差异，实现 HMI 的识别。

Apr, 2024

本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

Jul, 2020

故障诊断是过程监控中的重要组成部分；本文比较了单源和多源无监督领域自适应算法在跨领域故障诊断中的效果，并在化学工业中广泛使用的 Tennessee-Eastmann Process 的背景下证明使用多个领域进行训练可以明显提高分类准确性。

Aug, 2023

本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA 方法优于比较方法，并实现了最新的性能表现。

Mar, 2020

该论文提出了一种新的多源蒸馏领域自适应（MDDA）网络，该网络考虑了多个源和目标之间的不同距离以及源样本与目标样本的不同相似性，通过预先训练源分类器、将目标映射到每个源的特征空间、选择最近的源样本进行微调和使用不同的域权重对不同预测进行聚合等四个阶段实现。实验表明，该方法明显优于现有的方法。

Nov, 2019

使用信息论工具从表示学习的角度推导了多源域自适应（MDA）的新型分析。具体而言，研究了具有少量目标标签的监督 MDA 和具有伪标签的无监督 MDA 的联合分布对齐，提出了一种隐式处理目标偏移的新型深度 MDA 算法，最后扩展了相互信息边界以提供一种非平凡的梯度范数估计。所提出的算法在目标偏移 MDA 基准测试中具有与最先进技术相当的性能，并具有改进的内存效率。

Apr, 2023

多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决 MUDA 方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

Jul, 2023

本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

Dec, 2018