本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架，旨在使用对比学习框架来学习多变量时间序列的语境表示，并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化，从而实现了在时间序列领域中学习域不变上下文表示的方法，并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。

Jun, 2022

提出一种新的框架 CALDA，将对比学习和对抗学习的原则相结合，用于多源自适应学习，特别是时间序列数据。与之前的方法不同，其中 CALDA 还利用跨源标签信息，通过对比学习重新塑造空间，推动相同标签的示例彼此靠近，将不同标签的示例分开。实现结果表明，使用交叉源信息使得 CALDA 在时间序列和对比方法方面的表现都有所提高。当存在噪声时，弱监督进一步提高了性能，允许 CALDA 提供可推广的 MS-UDA 策略。

Sep, 2021

本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

Jan, 2019

通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基准测试中的大量实验证明了其对现有无监督领域自适应方法性能的显著提升。

Sep, 2023

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

我们提出了一种新颖的统计方法，用于在域适应（DA）下测试异常检测（AD）的结果，称为 CAD-DA -- 在 DA 下可控制的 AD。CAD-DA 的独特优势在于其能够控制在预先指定的水平 α（例如 0.05）下错误识别异常的概率。我们解决了在这个 DA 设置中需要考虑 DA 影响以确保推理结果有效性的挑战。我们的解决方案利用条件选择性推理的概念来处理 DA 的影响。据我们所知，这是第一个在 DA 背景下进行有效统计推理的工作。我们对 CAD-DA 方法在合成和真实数据集上的性能进行了评估。

Oct, 2023

使用 DACs 方法，混合源领域的标签数据和目标领域的伪标签数据进行训练可以有效地解决基于卷积神经网络的语义分割模型在新领域上通用性不佳的问题。

Jul, 2020

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

本文介绍了一种自主学习方法的无监督域自适应技术，即 Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于 UDA。实验表明，DCCL 的表现显著优于基线。

Jul, 2022

本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

Feb, 2022