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

本文提出了一种利用深度混合网络来对抗多源之间的领域和类别差异的方法，通过多种对抗性学习来减小目标域和多源域的差异，并将伪标记的目标样本和源样本用于更新多源分类器和特征提取器。

Mar, 2018

本文提出并介绍了一种基于Moment Matching的多源领域适应方法(M3SDA)。借助我们构建的数据集DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

Dec, 2018

该论文提出了一种新的多源蒸馏领域自适应（MDDA）网络，该网络考虑了多个源和目标之间的不同距离以及源样本与目标样本的不同相似性，通过预先训练源分类器、将目标映射到每个源的特征空间、选择最近的源样本进行微调和使用不同的域权重对不同预测进行聚合等四个阶段实现。实验表明，该方法明显优于现有的方法。

Nov, 2019

本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

Feb, 2020

本文介绍一种新的多源域自适应方法—— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA方法优于比较方法，并实现了最新的性能表现。

Mar, 2020

本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

Mar, 2021

该论文采用信息正则化方法解决多源域适应（MDA）中多个域鉴别器可能存在的问题，并设计了一种名为MIAN的神经架构，实验结果表明，MIAN明显优于现有的其他方法。

Apr, 2021

提出了一种新的多源域自适应方法Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

Feb, 2022

使用信息论工具从表示学习的角度推导了多源域自适应（MDA）的新型分析。具体而言，研究了具有少量目标标签的监督 MDA 和具有伪标签的无监督 MDA 的联合分布对齐，提出了一种隐式处理目标偏移的新型深度 MDA 算法，最后扩展了相互信息边界以提供一种非平凡的梯度范数估计。所提出的算法在目标偏移 MDA 基准测试中具有与最先进技术相当的性能，并具有改进的内存效率。

Apr, 2023