本文提出了一种简单的领域自适应方法，可以应用于使用交叉熵损失训练的神经网络，在字幕数据集上展示了该方法相对于其他领域自适应方法的表现提高。

Jul, 2016

本文介绍了一种神经网络结构 —— 附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

Nov, 2017

本文提出了动态重参数化方法，通过优化计算效率、提升表征能力，采用 mini-batch 实现动态演化神经网络，并将其应用于 ResNet-18 模型上，结果表明：在 ImageNet 数据集上，相比基线模型，精度提升了 2.04％，运行时长降低了 22％。

Mar, 2022

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

本文设计了一种改进的重新参数化搜索空间以及基于神经网络架构搜索的自动重新参数化增强策略，通过搜索优秀的重新参数化架构进一步提高了卷积网络的分类精度。

Apr, 2022

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

Apr, 2020

本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

Jul, 2020

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

通过使用多个预训练模型中的丰富知识来适应地利用知识是大模型时代中的一个重要问题。本研究提出了一种新方法，通过 Bi-ATEN 模块来学习领域内权重和领域间组合权重，以在实例的特殊性和域的一致性之间实现良好平衡，从而实现在无需访问源数据的未标记目标域中自适应地利用来自多个源预训练模型的知识。

Mar, 2024

本文研究深度学习中前馈源自适应的应用及其改进，通过交叉关注机制自适应目标数据集，探索自动化实例选取提升性能，实验表明我们提出的框架能显著改进现有方法。

Jul, 2022