本文提出了一种基于深度学习的医学图像诊断方法，使用协同非监督领域自适应算法，从相关领域的有标签数据中进行学习，以提高样本可用性和对抗标签噪声。实验结果证明了该方法的优越性。

Nov, 2019

该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

Aug, 2022

该研究提出了Source-free Multi-target Domain Adaptation的新任务，并采用由Consistency with Nuclear-Norm Maximization和MixUp knowledge distillation（CoNMix）组成的适应性框架作为解决此问题的方法。该框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。此外，我们还提出了MixUp Knowledge Distillation（MKD）用于改进多个目标域的泛化能力，并展示了Vision Transformer（VT）骨干具有更好的特征表示和分类可辨别性。最终，该框架在多种源自由STDA和MTDA设置的流行域适应数据集上实现了最先进的成果。

Nov, 2022

我们提出了优化轨迹蒸馏，这是一种统一的方法，从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估，结果证明了其在临床和开放世界中的显著效果和改进。

Jul, 2023

提出了一种用于Source-Free Domain Adaptation的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用Domain Adaptation技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

Oct, 2023

在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个Chebyshev置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师-学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

Oct, 2023

提出了一种动态集成不确定性估值框架（Detective），通过学习适应多源域的模型参数来兼容多源域的联合，综合考虑多源域与目标域之间的领域偏移，使用证据深度学习来探测信息量大的目标样本，并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明，该解决方案在三个领域适应基准上的表现显著优于现有方法。

Nov, 2023

多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

Mar, 2024

无源无监督域自适应的不确定性伪标签过滤适应（UPA）方法，通过自适应伪标签选择（APS）模块进行精确过滤，同时引入类感知对比学习（CACL）以降低伪标签噪声的记忆化，实现与最先进的方法相当的竞争性能。

Mar, 2024

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024