本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

Feb, 2020

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的CIRM方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 2020

本文提出了一种实用的解决方案， Transporting Causal Mechanisms (TCM) ，通过使用无监督发现的领域不变分离的因果机制来识别混淆层和表示，从而解决了无监督域适应中的语义丢失问题，并在三个具有挑战性的 UDA 基准测试中取得了最先进的性能。

Jul, 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

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

研究表明在无标签目标数据存在特定要求(如封闭集和标签分布一致)或实际应用场景(如OOB和标签分布转移)的情况下，基于无源数据的领域自适应(SFUDA)方法具有很大的限制。通过实验证明，使用源预训练模型和少量标记数据的微调方法是一种可靠的解决方案，实验结果表明这种方法的性能优于其他方法。}

Apr, 2023

本文提出了一种新的学习范式，即模拟-分析-减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

Apr, 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

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

我们研究了领域适应问题，该问题是由于未观察到的潜在变量分布改变所导致的分布偏移。我们的适应方法采用了近端因果学习，一种用于估计因果效应的技术，适用于存在未观察到的混淆变量代理的情况。我们证明了代理变量允许在不明确恢复或建模潜在变量的情况下适应分布偏移。我们考虑了两种情况：（i）概念瓶颈：观察到一个额外的“概念”变量，它介导了协变量和标签之间的关系；（ii）多领域：有来自多个源领域的训练数据，其中每个源领域对潜在混淆变量有不同的分布。我们在这两种情况下开发了一种两阶段核估计方法，以适应复杂的分布偏移。在我们的实验证明，我们的方法优于其他方法，尤其是那些明确恢复潜在混淆变量的方法。

Mar, 2024