本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。

Jan, 2022

该论文探讨了如何选择多个源来进行领域适应，使用注意力学习算法解决了多源无监督领域适应中的源选择难题，并在情感分类基准测试中表现出更好的性能。

Apr, 2020

该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

Apr, 2021

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

半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

Sep, 2023

提出了基于多源域自适应方法的两种转移学习框架来执行情感分析，其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架，成果展示了比无监督的最新竞争对手更具有实用性的性能表现。

Jun, 2020

本研究旨在通过提出一种新型架构，即 C-SUDA，解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题，并在不利于源领域的情况下，仅通过利用假标记的目标数据和源模型来维护源领域的性能，实现更好的目标领域性能。在 PACS、Visda-C 和 DomainNet 等基准数据集上的实验结果表明，C-SUDA 框架能够在完全不利用源数据的情况下，保持对源域的满意性能。

Apr, 2023

本研究提出了一个基于无监督领域自适应的节点分类方法，该方法利用了已经训练好的源模型，而不需要访问源图和其标签，实现了对无标签目标图的分类，实验结果表明该方法在四项跨领域任务中都获得了显著的改进。

Dec, 2021

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

本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT)，该框架通过学习一个共同的模型参数词典进行知识转移，并在三个领域适应基准数据集上实验验证了其优越性。

Sep, 2018