本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

Mar, 2021

针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法，我们全面研究了四种不同的无监督域自适应设置，包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应，其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率，我们提出了一种名为无监督域自适应学习实例加权（LIWUDA）的新方法，通过构建加权网络、设计权重最优传输（WOT）和小批量实例的分隔与对齐（SA）丢失来解决这些挑战。通过实验评估，验证了提出的 LIWUDA 方法的有效性。

Dec, 2023

本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

Oct, 2018

在计算机视觉中，本文提出 Weight-based Mask Network (WEMNet) 方法，采用 Domain Ignore Module (DIM) 和 Semantic Enhancement Module (SEM) 来解决传统无监督域适应 (UDA) 方法存在的问题，通过权重进行特征提取和分类，实现对前景特征的重点关注，该方法在经典 UDA 数据集上实现了更高的准确性。

Apr, 2023

我们提出了一种高效的无监督领域自适应框架 (GVG-PN)，通过全局和局部角度实现了转移学习，以解决无监督领域自适应模型在对齐过程中分布塌缩的问题，并且能够清晰地胜过目前最先进的模型。

May, 2024

本文提出了一种称为广义数据加权（GDW）的方法，通过操作类别层面的梯度，同时减轻标签噪声（label noise）和类别不平衡（class imbalance）两大问题，从而实现了有效的性能改善，而且并不会引入额外的计算成本。

Oct, 2021

本文提出了一种通过强化学习进行的无监督领域自适应方法，该方法联合利用了特征变体和跨领域的不平衡标签，实验表明这种方法可以成功地在不平衡的文本分类数据上适应文本分类器。

May, 2022

本论文提出了一种基于最大平方损失的半监督无监督域自适应方法，并引入图像加权比来缓解目标域无标签数据集中的类别不平衡问题，该方法在合成到真实以及跨城市自适应实验中均取得了很好的性能。

Sep, 2019

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024

通过渐进性的源领域扩展算法，将目标数据集作为伪源样本，从而通过多次重新初始化网络权重的训练，提取先前运行得出的知识，促进领域之间的对齐，改善无监督领域适应的准确性。

Nov, 2023