提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

提出了一种新的主动学习设置，名为主动广义类别发现（AGCD），旨在通过主动选择有限数量的有价值样本进行标注，从而改善广义类别发现的性能。

Mar, 2024

自动发现广义类别的开放式任务，使用半监督表示学习过程中获得的区分性嵌入，构建原始稀疏网络并使用社区检测方法同时获取聚类结果和类别数。

Oct, 2023

本文提出了一种动态概念对比学习（DCCL）框架，该框架通过交替估计基本视觉概念和学习概念表示来有效地提高聚类准确性。实验结果表明，DCCL 在通用和细粒度视觉识别数据集上取得了新的最优表现，尤其是在细粒度方面表现良好。

Mar, 2023

本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017

本研究提出了一种基于对比度的领域适应方法（ACT），用于解决无标签目标图中检测异常节点的问题，并在相关源图中使用标记异常和正常节点。实验结果表明，与现有方法相比，该方法显着提高了检测性能。

Dec, 2022

本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

Sep, 2019

提出了一种基于深度学习的多源半监督对抗领域泛化网络（MSADGN），用于海陆杂波实时预测，该方法在十二个领域泛化情景中验证了其有效性，并与十种先进的领域泛化方法进行了比较。

Feb, 2024

提出了一种名为 Decoupled Prototypical Network 的新模型，能够解耦已知和新类别，显式地从标记数据到未标记数据转移类别特定知识，捕捉高级语义信息，并通过语义加权软赋值减轻硬伪标签噪声，该模型在多个基准数据集上表现优于现有技术。

Nov, 2022

提出一种促进分类域联合自适应 (CatDA) 的方法，即利用联合分类器生成对齐一致的分类预测来实现更细粒度的领域对齐，进一步将此方法用于虚拟相邻领域自适应 (VicDA) 中，以及利用目标区分性结构恢复方法来提高领域能力。该方法在多个基准数据集上实现了新的领域自适应最新技术。

Mar, 2021