该研究论文介绍了一种名为 Selective Adversarial Network (SAN) 的选择性对抗网络，用于解决部分转移学习（partial transfer learning）问题，从而实现大数据时代的分类和特征转移学习优化。实验结果显示，我们的模型优于多个基准数据集上的现有最先进结果。

Jul, 2017

通过引导数据同化来应对数据分布的变化，从而使深度学习模型更好地适应未知的情境，实现模型的有针对性部署，同时避免调整模型参数的可能风险。

Apr, 2021

本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

Mar, 2019

本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

本文研究了传递学习的有效性，并发现原先认为的更多的预训练数据不一定就能提高模型性能，而是需要审慎选择预训练数据。同时，作者提出了基于目标数据集计算重要性权重的领域自适应传递学习方法，并在多个细粒度分类数据集上取得了最先进的结果。

Nov, 2018

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

研究表明，在模型选择中，转移距离是一个新的复杂度项，但在分类中，自适应速率可能会非常缓慢，而需有关距离的知识的 oracle 速率则可以达到更快的速度。

Apr, 2023

本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

Aug, 2020

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

本文探讨使用统计量来衡量不同任务间的相似性，从而减少 fine-tuning 的测试所需的任务对数量，并在 58 个任务和 6600 多个任务对组合上实验证明其可以提高任务的效率并显著降低运行时间。

Feb, 2023