本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

Nov, 2018

通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

Nov, 2018

该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。

Jun, 2020

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

本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

Jul, 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

本文提出了一种源自由的无监督领域自适应方法，使用预先训练的源模型和未标记的目标图像，通过数据增强和一致性目标来捕捉不确定性，并且鼓励特征生成器在决策边界外学习一致的视觉特征，以增强模型对图像扰动的鲁棒性，并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距，实验结果表明，该方法对于图像扰动具有更强的鲁棒性。

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

本研究解决了无监督领域适应中领域对齐与分类任务之间的冲突问题。提出的新方法“梯度协调”及其改进版本GH++，通过调整任务间的梯度角度来减少冲突，同时保持优化方向的稳定性。实验结果表明，这些方法能够显著提升现有UDA模型的性能。

Aug, 2024