关于无需模型特定信息和多个源域的自适应领域迁移的研究
本文提出一种基于源模型的无监督域自适应解决方案SHOTS，在缺乏源数据的情况下，通过信息最大化和自监督伪标签相结合的方式，学习目标特定的特征提取模块，从而使目标域的表示与源假设对齐，并在多个域自适应基准测试中取得了最新的成果。
Feb, 2020
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
该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。
Apr, 2021
本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。
Aug, 2021
在源-无源领域自适应（DA）场景下，本文提出了一种混合原始和对应的泛化样本的解决方案，用于提高领域的转移能力和保护隐私，在现有的无源 DA 方法上实现提高识别和转移的平衡，并在分类和语义分割任务上实现了最先进的性能，在单源和多源场景下均给出实验验证。
Jun, 2022
从服务角度出发，提出了一个新颖的问题场景，称为 Three-Free Domain Adaptation（TFDA），解决了多源领域适应中训练依赖先前领域信息、同时需要源和目标数据集的问题；通过 FREEDOM 框架，结合生成模型和分类模型，实现了在没有领域信息的情况下，将源类别分布与目标类别匹配，从而取得了与最先进方法相媲美甚至优于其的性能，并降低了目标端的模型大小。
Jul, 2023
提出了一种基于子空间识别理论的多源域自适应方法，它能在较少的约束条件下实现域不变和特定变量的脱钩，通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术，凸显其在实际应用中的有效性。
Oct, 2023
无源无监督领域自适应（SFUDA）是一个具有挑战性的任务，模型需要在没有目标领域标签或源领域数据的情况下适应新领域。本文提出了一种新的方法，通过考虑每个样本的多个预测假设并研究每个假设的合理性来解决该问题。通过整合这些假设的理由，我们可以识别最有可能的正确假设，并将其作为伪标签集来支持半监督学习过程进行模型自适应。我们提出了一个三步自适应过程：模型预自适应、假设整合和半监督学习，以实现最佳性能。广泛的实验结果表明我们的方法在SFUDA任务中达到了最先进的性能，并可以轻松集成到现有方法中以改善其性能。
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