在联邦学习场景下，我们提出一种基于对比学习和 Vision Transformer（ViT）的模型方法 FDAC，目的是通过操作 ViT 的潜在架构来学习可转移的表示，同时通过域增强和语义匹配来增加目标数据的多样性，实验结果表明，FDAC 在大多数情况下都优于所有比较方法，并且还可以提高通信效率。

May, 2023

提出一种名为 UAD 的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

Feb, 2024

统一的无源领域适应问题中，通过采用潜在因果因素发现方法（LCFD）和预训练的视觉 - 语言模型（如 CLIP），可以有效提高学习模型对领域变化的可靠性和鲁棒性，并在不同的无源领域适应设置和无源领域外泛化上取得了新的最先进结果。

Mar, 2024

我们提出了一种新颖的基于不确定性伪标签引导的源域自由领域适应方法，通过目标领域增长和两次前向传递监督来提高医学图像分割的多样性和准确性，获得可靠的伪标签并进一步优化自适应性。在多个数据集上的实验证明，与基准方法相比，我们的方法在三个任务中平均提高了 5.54％，5.01％和 6.89％的 Dice 系数。

Sep, 2023

本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

Sep, 2020

本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

Mar, 2023

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

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

无监督域自适应对标记数据集域与无标记数据集域之间的知识转移非常有效，开放集域自适应解决了目标域中可能存在的未知类别问题，这项工作探索了使用 CLIP 来应用于开放集域自适应的通用方法，并通过熵优化策略提高了模型性能，提供了在多个基准测试上最新的结果，证明了其在解决目标域适应问题中的有效性。

Jul, 2023

本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

Jun, 2021