本文提出了渐进特征对齐网络(PFAN)对无监督域自适应问题进行解决, 通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤, 使得模型能够有效地完善交叉领域的分类一致性。

Nov, 2018

本文介绍了一个基于元学习的有效优化策略MetaAlign，以协调域对齐任务和分类任务的目标函数的不一致性，实现在元训练和元测试中同时优化域对齐和分类任务的最大化，从而提高了无监督领域自适应问题的性能。

Mar, 2021

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

本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

Jun, 2021

本文提出了一种名为ToAlign的有效的无监督领域适应方法，该方法通过性能指导的特征分解和对齐，在源域和目标域之间实现了任务导向的对齐来实现最优解。

Jun, 2021

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

提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

Aug, 2022

本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

May, 2023

通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

Sep, 2023

在无监督领域自适应中，通过基于提示学习的方法，使用大规模预训练的视觉-语言模型来学习领域不变和领域特定的特征，并将领域无关的约束转化为优化问题，通过梯度对齐和梯度范数惩罚来实现不同领域的一致性，从而在单源和多源无监督领域自适应任务中取得了优异的实验结果。

Jun, 2024