基于基础模型（如 CLIP 或 DINOv2），本文通过全面实证研究最新的通用域自适应方法，发现现有方法往往无法超越基准线表现；作者提出了一种简单的基于目标数据提炼的方法，并在所有通用分类率基准测试中实现了一致的改进，提出了新的评价指标 UCR 来解决使用现有的 H-score 度量时遇到的阈值敏感问题。

May, 2023

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

本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

Apr, 2023

本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

Apr, 2021

该研究介绍了 Visual Domain Adaptation 2021 竞赛，将机器学习方法的性能从同一领域扩展到处理不同域的数据。该竞赛挑战的是无监督域自适应问题，并关注在目标数据集中可能遇到的数据分布漂移、缺失和 / 或新类别的困难 “通用” 设置。通过与领先的域适应方法的比较，利用已建立的度量标准来评估性能。该竞赛有望鼓励进一步改进机器学习方法，以处理实际数据在许多部署场景下的问题。

Jul, 2021

提出了一种新的任务设置 —— 统一的语言驱动零样本领域适应 (ULDA)，使得单个模型能够在没有显式域标识知识的情况下适应多样的目标领域。通过在多个视觉层次上对齐模拟特征和目标文本、保留不同区域表示之间的语义相关性以及校正模拟和真实目标视觉特征之间的偏差，该框架在两个场景下实现了竞争性的性能，展示了其优越性和泛化能力。

Apr, 2024

该研究提出了一种基于词袋模型的框架，通过学习中层的词汇原型以及词频直方图进行分类，从而避免了负迁移问题，并在三个常见的领域自适应与开放领域自适应识别基准测试中取得了最优表现。

Oct, 2022

我们提出了一个新颖的具有邻域不变性的相互学习网络方法（MLNet），通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化，通过交叉领域混杂方案进行更好的未知类别识别，互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中，广泛的实验证明我们的方法在大多数情况下均取得最佳结果，并且在 UniDA 的四个设置中显著优于基线。

Dec, 2023

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

本文介绍一种使用最小类间距离阈值的通用领域适应（UNDA）方法，该方法使用源样本学习该阈值并将其适应于目标领域，同时训练一种基于一对所有分类器的学习方法。

Apr, 2021