研究 PAC-Bayesian 领域适应的问题：从源域学习一个专门针对目标域的多数表决模型。通过导出目标风险的上限，我们提供了一个新视角来控制误差度量和投票者不一致之间的权衡。我们根据这个结果推导了一个 PAC-Bayesian 的广义上限，并将其特化到线性分类器。最后，在实际数据上进行了实验。

Jun, 2015

本文提出了一个基于深度粒子流 Bayes（DPFB）框架的交叉域软传感建模方法，利用物理启发粒子流实现对目标状态的无标签监督下的跨域学习，从而实现有效的时间序列无监督域自适应。

Jun, 2023

本文旨在通过领域适应性建立新兴超级模型范例的理论基础，其中首先在大量数据上训练一个非常大的模型（即超级模型），然后将其适应于各种特定领域，以此来减少计算和数据成本及碳排放。我们将超模型范例建模为两阶段扩散过程，预训练阶段模型参数从随机初值扩散并收敛到稳定分布，而微调阶段模型参数则被传输到另一个稳定分布。通过 PAC-Bayesian 框架，我们建立了一个 O (1/sqrt (N)) 的一般化界限。理论发现，微调阶段的泛化误差在领域适应中起主导作用。此外，我们的理论表明泛化性能由一种新的度量决定，该度量基于所收敛局部最小值的协方差矩阵和位移，并表征源域和目标域之间的领域差异。

Aug, 2022

通过对先前学习的策略进行微调，我们提出了一种自适应贝叶斯域随机化策略，以显著加速学习过程，并在多个仿真环境中表现出与基准算法相比更好的奖励效果。

Oct, 2023

本文基于 PAC-Bayesian 理论对领域自适应进行了理论分析，提出了 Germain et al. 等人之前领域适应界限的改进方法，首先给出了另一个更紧密且易于解释的泛化界限，此外，还为界限中出现的常数项提供了新的分析，这对于开发新的算法解决方案非常有趣。

Jan, 2015

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

本文在 PAC-Bayesian 理论中提供了两个主要方面的贡献，分别是基于新的分布伪距离提供一个更紧的 PAC-Bayesian 领域适应性边缘；另外实现了对多源领域适应性的推广。

Mar, 2015

该论文在多视角学习环境中提出了一系列关于域适应的新结果，通过 Pac-Bayesian 理论分析泛化边界，结合了之前将多视角整合到域适应中所忽视的两种范式，并构建了一种适用于多视角域适应的新型距离，最后将新边界与之前的研究进行了对比。

Jan, 2024

该论文提出了一种新的 Back-Propagated Black-Box Adaptation（BPBA）方法，通过该方法用户可以更好地训练其私有模型，从而使得基础 / 源模型的使用更加轻松，并且防止泄露和误用，并提出了一种新的训练策略 Bootstrap The Original Latent（BTOL）来充分利用基础 / 源模型。在三个不同的数据集上的实验表明，该策略在各种设置中都是高效和强健的。

Mar, 2023

通过在仿真环境中使用基于高斯过程的先验知识，结合基于贝叶斯优化的策略搜索方法，提高在连续和离散控制环境中智能体行为的适应性，实验表明相比其他竞争基准，该方法的效果更好。

Feb, 2022