领域自适应的目标一致性：当鲁棒性满足可移植性时

深度学习的可移植性研究综述

Transferability in Deep Learning: A Survey

Tsinghua University（清华大学）

深度学习算法的成功通常取决于大规模数据，而人类似乎具有内在的知识转移能力，通过在遇到和解决未知任务时识别和应用先前学习经验中的相关知识。这种获取和重用知识的能力被称为深度学习中的可转移性。它已经形成了使深度学习像人类学习一样具有数据效率的长期追求，并且一直在激励更强大的深度学习算法的富有成效的设计。我们提出这项调查，以连接深度学习中不同的孤立领域与它们与可移植性的关系，并提供一个统一和完整的视图来调查整个深度学习生命周期的可移植性。该调查详细阐述了基本目标和挑战，以及核心原则和方法，涵盖了深度架构，预培训，任务适应和领域自适应的最新基石。这突出了关于学习可转移知识的适当目标以及使知识适应新的任务和领域、避免灾难性遗忘和负转移的问题。最后，我们实现了一个基准测试和一个开源库，使深度学习方法在可移植性方面得到公平的评估。

2022-01-15cs.LG

视觉域适应中可判别性与可迁移性的几何理解

Geometric Understanding of Discriminability and Transferability for Visual Domain Adaptation

School of Mathematics, Sun Yat-Sen University（中山大学数学学院）；School of Statistics and Mathematics, Guangdong University of Finance and Economics（广东财经大学统计与数学学院）；School of Computer Science, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）

该研究从几何视角分析无监督域适应中可迁移性与可判别性的本质，推导共正则化参数可行范围，提出基于核范数优化的几何导向模型，实验验证其有效增强两种能力。

2024-06-24cs.CVcs.LG

关于无监督域适应中表征学习的可迁移性与可判别性

On the Transferability and Discriminability of Repersentation Learning in Unsupervised Domain Adaptation

National Key Laboratory of Space Integrated Information System, Institute of Software Chinese Academy of Sciences（空间信息集成信息系统国家重点实验室，软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；National Key Laboratory of Space Integrated Information System, Department of Computer Science and Technology, Tsinghua University（空间信息集成信息系统国家重点实验室，清华大学计算机科学与技术系）；Artificial Intelligence Thrust, Information Hub, Department of Computer Science & Engineering, School of Engineering, Hong Kong University of Science and Technology（人工智能 thrust，信息枢纽，工程学院计算机科学与工程系，香港科学与技术大学）

本文指出无监督域适应中仅依赖分布对齐会忽略目标域可判别性，提出结合域对齐与可判别性增强约束的RLGLC框架，通过AR-WWD和局部一致性机制保留细粒度信息，在多个基准上超越现有方法。

2025-05-28cs.CVcs.LG

用于领域自适应的鉴别联合概率最大均值离散（DJP-MMD）

Discriminative Joint Probability Maximum Mean Discrepancy (DJP-MMD) for Domain Adaptation

Huazhong University of Science and Technology（华中科技大学）

在领域自适应中，最大平均差异（MMD）被广泛采用来衡量源域和目标域分布之间的差异。许多现有的领域自适应方法基于联合MMD，其被计算为边缘分布差异和条件分布差异的（加权）和;然而，更自然的度量可以是它们的联合概率分布差异。此外，大多数度量仅旨在提高域之间的可转移性，而忽略了不同类别之间的可区分性，这可能导致分类性能不足。为了解决这些问题，本文提出了判别式联合概率MMD（DJP-MMD），以取代领域自适应中常用的联合MMD。它具有两个理想的性质：1）它为计算分布差异提供了一个新的理论基础，它更简单，更精确; 2）它同时增加了可传递性和可区分性。我们通过将其嵌入到联合概率领域自适应框架中来验证其性能。在6个图像分类数据集上的实验表明，该方法的分类性能优于传统的MMD方法。

2020-04-10cs.CVcs.LGstat.ML

使用深度自适应网络学习可转移特征

Learning Transferable Features with Deep Adaptation Networks

Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）

最近的研究表明，深度神经网络可以学习可转移的特征，这些特征可以很好地推广到领域自适应的新任务。然而，随着深层特征最终沿着网络从一般过渡到特定，随着域差异的增加，特征的可转移性在更高层中显著下降。因此，在形式上减少数据集偏差并增强任务特定层的可转移性是很重要的。在本文中，我们提出了一种新的深度自适应网络（DAN）架构，它将深度卷积神经网络推广到领域自适应场景。在DAN中，所有任务特定层的隐藏表示都嵌入在再生核希尔伯特空间中，其中不同域分布的平均嵌入可以显式匹配。使用最优多核选择方法进行均值嵌入匹配，进一步减小了域差异。DAN可以学习具有统计保证的可转移特征，并且可以通过核嵌入的无偏估计线性缩放。大量的经验证据表明，所提出的架构产生的最先进的图像分类出错率标准领域自适应基准。

2015-05-27cs.LG

协同无监督领域自适应医学图像诊断

Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis

South China University of Technology（华南理工大学）；Tencent AI Lab（腾讯人工智能实验室）

基于深度学习的医学影像诊断在临床医学中显示出巨大的潜力。然而，它在实践中经常遭受两个主要困难：1）由于医学图像上昂贵的注释成本，只有有限的标记样本可用; 2）标记图像可能包含相当大的标记噪声（例如，标签错误），因为诊断困难。在本文中，我们试图利用丰富的相关领域的标记数据，以帮助学习的目标任务与无监督领域自适应（UDA）。与大多数现有的UDA方法依赖于干净的标记数据或假设样本是平等可转移的不同，我们提出了一种新的协作无监督领域自适应算法，以进行可转移性感知的领域自适应，并以合作的方式克服标签噪声。实验结果验证了该方法的优越性。

2019-11-17cs.LGstat.ML

多源领域适应通过数据集字典学习与数据集蒸馏相遇

Multi-Source Domain Adaptation meets Dataset Distillation through Dataset Dictionary Learning

CEA, List（法国原子能和替代能源委员会李斯特研究所）；Université Paris-Saclay（巴黎萨克雷大学）

本文研究多源领域适应与数据集蒸馏的交叉问题MSDA-DD，通过结合Wasserstein重心传输、数据集字典学习和分布匹配方法，在四个基准上实现每类仅1样本的最先进适应性能。

2023-09-14cs.AIcs.LGstat.ML

基于变分信息瓶颈的无监督领域自适应算法改进

Improving Unsupervised Domain Adaptation with Variational Information Bottleneck

Shanghai Jiao Tong University（上海交通大学）；Stanford University（斯坦福大学）

领域自适应的目的是利用源域的监督信号，在标签不可用的情况下获得目标域的准确模型。为了利用和适应源域的标签信息，大多数现有方法采用特征提取函数，并在共享特征空间中匹配源域和目标域的边缘分布。本文从信息论的角度，证明了表示匹配实际上是对特征空间的一个不充分约束，以获得在目标域具有良好泛化性能的模型。然后，我们提出了变分瓶颈领域自适应（VBDA），一个新的领域自适应方法，提高了功能的可转移性，明确执行的特征提取器忽略任务无关的因素，并专注于信息，是必不可少的感兴趣的任务，为源和目标域。大量的实验结果表明，VBDA显着优于国家的最先进的方法在三个领域自适应基准数据集。

2019-11-21cs.LGstat.ML

SAMDA：利用SAM进行电子显微镜分割的少样本域自适应

SAMDA: Leveraging SAM on Few-Shot Domain Adaptation for Electronic Microscopy Segmentation

School of Artificial Intelligence, Beijing University of Post and Telecommunication（北京邮电大学人工智能学院）

提出SAMDA框架，结合SAM与nnUNet实现电子显微镜分割的少样本域自适应，通过融合通用与专家组件提升迁移性和准确性，目标域dice系数提高6.7%，单样本性能优于10-shot。

2024-03-12cs.CVcs.LGeess.IV

面向领域自适应的类预测解集对抗对齐算法

Adversarial Alignment of Class Prediction Uncertainties for Domain Adaptation

Radboud University（拉德堡德大学）；TNO（荷兰应用科学研究组织）；Open University（开放大学）

我们考虑无监督域自适应：给定源域的标记示例和相关目标域的未标记示例，目标是推断目标示例的标签。在来自预训练的深度神经网络的特征可跨相关域转移的假设下，域自适应简化为在类别预测不确定性水平上对齐源域和目标域。我们通过引入一种基于对抗学习的方法来解决这个问题，该方法迫使目标域上的标签不确定性预测与源域上的标签不确定性预测无法区分。使用预先训练的深度神经网络来生成具有跨相关域的高可转移性的深度特征。我们在大量公开的预训练深度神经网络上对所提出的方法进行了广泛的实验分析。我们在图像分类领域自适应任务上的实验结果表明，类预测不确定性与从预训练的深度神经网络中提取的特征对齐，为领域自适应提供了一种高效、鲁棒和有效的方法。

2019-01-04cs.LGstat.ML

域适应满足个体公平。他们相处融洽

Domain Adaptation meets Individual Fairness. And they get along

University of Michigan（密歇根大学）；University of Konstanz（康斯坦茨大学）；IBM Research（IBM研究院）；Princeton University（普林斯顿大学）；Stanford University（斯坦福大学）

许多算法偏差的例子是由分布偏移引起的。例如，机器学习（ML）模型在训练数据中代表性不足的人口统计群体上的表现往往更差。在本文中，我们利用算法公平性和分布偏移之间的这种联系来表明算法公平性干预可以帮助ML模型克服分布偏移，并且域自适应方法（用于克服分布偏移）可以减轻算法偏差。特别是，我们证明了（i）强制执行适当的个体公平性（IF）概念可以在协变量移位假设下提高ML模型的分布外准确性，以及（ii）有可能调整表示对齐方法进行域适应以强制个体公平性。前者是意料之外的，因为在制定综合框架干预措施时没有考虑到分配的变化。后者也是出乎意料的，因为代表对齐不是一个共同的方法，在个人公平文献。

2022-10-15cs.AIcs.CYcs.LG

基于属性信息的Zero-shot领域自适应

Zero-shot Domain Adaptation Based on Attribute Information

The University of Tokyo（东京大学）；Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能研究中心）；Data Science Research Laboratories, NEC（日本电气公司数据科学研究实验室）；Future University Hakodate（函馆未来大学）

在本文中，我们提出了一种新的领域自适应方法，可以适用于没有目标数据。我们考虑的情况下，域转移是由一个特定的因素的先验变化，并假设我们知道如何源和目标域之间的先验变化。我们称这个因素为属性，并重新制定的领域自适应问题，利用属性先验，而不是目标数据。在我们的方法中，源数据被重新加权的属性先验估计和数据本身，使它们在目标域中是有用的样本的重量。我们从理论上揭示，我们的方法提供了更精确的估计样本的可转移性比一个简单的基于属性的重新加权的方法。在玩具数据集和基准数据集上的实验结果表明，该方法虽然不使用任何目标数据，但性能良好。

2019-03-13cs.LGstat.ML

几何感知的无监督领域自适应

Geometry-Aware Unsupervised Domain Adaptation

Sun Yat-Sen University（中山大学）

无监督领域自适应（UDA）的目的是在数据集移位的情况下将知识从标记的源域转移到未标记的目标域。大多数现有的方法不能很好地解决域对准和类别区分，这可能会扭曲下游任务的固有数据结构（例如，分类）。为此，我们提出了一种新的几何感知模型，通过核范数优化同时学习可转移性和可区分性。我们从子空间几何的角度介绍了UDA的域相干性和类正交性。域一致性将确保模型具有更大的学习可分离表示的能力，而类正交性将最小化聚类之间的相关性以减轻不对齐。因此，它们是一致的，可以相互受益。此外，我们提供了一个理论上的洞察规范为基础的学习文献在UDA，这确保了我们的模型的可解释性。我们表明，域和集群的范数预计将更大和更小，以提高可转移性和可辨别性，分别。在标准UDA数据集上的大量实验结果证明了我们的理论和模型的有效性。

2021-12-21cs.CVcs.LG

基于原型聚合的多源无监督领域自适应

Multi-Source Unsupervised Domain Adaptation with Prototype Aggregation

South China University of Technology（华南理工大学）；Institute of International Services Outsourcing（国际服务外包研究院）；Operation and Maintenance Center of Information and Communication（信息通信运维中心）；CSG EHV Power Transmission Company（中国南方电网超高压输电公司）

针对多源领域自适应中类级差异量化、噪声伪标签不可用及源域可迁移性判别被忽略的问题，提出一种在类级和域级建模差异的原型聚合方法，通过互补机制提升自适应性能并在三个基准上优于多数最先进方法。

2024-12-20cs.LG

用于运动想象脑机接口在线测试时自适应的多特征黎曼超图

Multi-Feature Riemannian Hypergraph for Online Test-Time Adaptation of Motor Imagery Brain-Computer Interface

Peking University（北京大学）；Chinese Institute for Brain Research（中国脑科学研究院）；NeuCyber Neurotech（纽赛博神经科技公司）；Beijing Medical University（北京医科大学）；Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院）

针对MI-BCI解码的跨天可迁移性与在线运行挑战，提出MRieHy框架，通过融合黎曼几何的双超图实现在线测试时自适应，在三类数据集上性能优于现有基线。

2026-08-18cs.HCcs.LGeess.SP

鲁棒领域自适应：表示、权重和归纳偏差

Robust Domain Adaptation: Representations, Weights and Inductive Bias

Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（巴黎中央理工-高等电力学院）；Sidetrade（Sidetrade公司）；Lend-Rx（Lend-Rx公司）；Alan（Alan公司）

无监督领域自适应（UDA）在过去的十年中引起了广泛的关注。域不变表示（IR）的出现大大提高了表示从标记源域到新的未标记目标域的可转移性。然而，这种方法的一个潜在缺陷，即\textit{label shift}的存在，已经被曝光。一些作品解决了这个问题，通过加权样本，一种策略，通常被称为重要性采样域不变性的放松版本。从我们的角度来看，重要性采样和不变表示在UDA中如何相互作用的理论方面还没有深入研究。在目前的工作中，我们提出了一个结合了权重和不变表示的目标风险的界限。我们的理论分析突出了感应偏置在对齐跨域分布中的作用。我们说明了它的标准基准，提出了一个新的学习程序UDA。我们根据经验观察到，弱的归纳偏差使适应更强大。更强的归纳偏差的阐述是新的UDA算法的一个有前途的方向。

2020-06-24cs.LGstat.ML

当模型遇见新常态：面向无监督时间序列异常检测的测试时适应

When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection

KAIST（韩国科学技术院）

针对无监督时间序列异常检测中正常性分布随时间变化的问题，提出基于趋势估计与自监督学习的测试时适应策略，以提升模型在分布偏移下的检测鲁棒性。

2024-01-21cs.AIcs.LG

PCoTTA：面向多任务点云理解的持续测试时自适应

PCoTTA: Continual Test-Time Adaptation for Multi-Task Point Cloud Understanding

Bournemouth University（伯恩茅斯大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai University（上海大学）；Zhejiang University（浙江大学）；Northwest A&F University（西北农林科技大学）；La Trobe University（拉筹伯大学）

该研究提出面向多任务点云理解的持续测试时自适应框架PCoTTA，通过自动原型混合、高斯泼溅特征偏移、对比原型排斥三个组件缓解遗忘与误差累积，提升模型对持续变化目标域的迁移能力，实验验证了其优越性并建立新基准。

2024-11-01cs.CVcs.LG

当测试时适应遇到自监督模型

When Test-Time Adaptation Meets Self-Supervised Models

Korea University（韩国大学）；NAVER AI Lab（NAVER AI实验室）

本文研究测试时适应（TTA）在不依赖源预训练时对自监督学习（SSL）模型的持续改进能力，提出整合SSL与TTA的协作学习框架，利用对比学习和知识蒸馏逐步优化表示，在多个基准上验证了无需源预训练即可取得竞争力的性能。

2025-06-30cs.CVcs.LG

双相持续学习：监督适应与无监督保留的结合

Dual-Phase Continual Learning: Supervised Adaptation Meets Unsupervised Retention

Mila, Concordia University（蒙特利尔大学米尔人工智能实验室）；Concordia University（蒙特利尔大学）；Toyota Motor Europe（丰田欧洲公司）

本文提出了一种基于无监督方法的双相持续学习框架，通过利用测试时间数据提升先前任务性能，无需存储或重播数据，有效缓解VLMs中的遗忘问题。

2026-01-30cs.LG

条件对抗领域自适应

Conditional Adversarial Domain Adaptation

School of Software, Tsinghua University, China（清华大学软件学院，中国）；Tsinghua University, China（清华大学，中国）；University of California, Berkeley, Berkeley, USA（美国加州大学伯克利分校，伯克利）

对抗学习已经被嵌入到深度网络中，以学习用于领域自适应的解纠缠和可转移的表示。现有的对抗性领域自适应方法可能无法有效地对齐分类问题中固有的多模态分布的不同域。在本文中，我们提出了有条件的对抗性领域自适应，一个原则性的框架，条件的对抗性适应模型的判别信息中传达的分类器预测。条件域对抗网络（CDAN）设计了两种新的条件策略：多线性条件，捕获特征表示和分类器预测之间的互协方差，以提高区分度，熵条件，控制分类器预测的不确定性，以保证可转移性。通过理论保证和几行代码，该方法在五个数据集上超过了最先进的结果。

2018-12-29cs.LG

黄金子空间：在持续测试时适应中效率与泛化的平衡

The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation

School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）；National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）；Hong Kong University of Science and Technology（香港科技大学）；Frontier Robotics（前沿机器人）

本文提出GOLD方法，通过轻量级适配器将特征投影到黄金子空间，并动态更新子空间以提升效率和稳定性，实验证明其在分类和分割任务中表现优异。

2026-03-23cs.CVcs.LG

域对齐完全满足测试时自适应

Domain Alignment Meets Fully Test-Time Adaptation

Arizona State University（亚利桑那州立大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）

已部署ML模型的一个基本要求是泛化到从与训练不同的测试分布中提取的数据。这个问题的一个流行的解决方案是只使用未标记的数据将预训练的模型适应新的领域。在本文中，我们专注于这个问题的一个具有挑战性的变种，在访问原始源数据是有限的。虽然完全测试时自适应（FTTA）和无监督领域自适应（UDA）密切相关，但UDA的进步并不容易适用于TTA，因为大多数UDA方法需要访问源数据。因此，我们提出了一种新的方法，CATTan，桥梁UDA和FTTA，通过放松需要访问整个源数据，通过一种新的深子空间对齐策略。CATTan以最小的开销存储源数据的子空间基集，在自适应过程中实现了源数据和目标数据之间的无监督对齐。通过对多个2D和3D视觉基准测试（ImageNet-C，Office-31，CumberHome，DomainNet，PointDA-10）和模型架构进行广泛的实验评估，我们证明了FTTA性能的显着提高。此外，我们对对齐目标的实用性做出了一些重要的发现，即使在目标域中具有固有的鲁棒模型，预训练的ViT表示和低样本可用性的情况下。

2022-07-09cs.CVcs.LG

无监督领域自适应学习可转移和可区分特征

Learning transferable and discriminative features for unsupervised domain adaptation

Nanjing University（南京大学）；Jiangnan University（江南大学）

虽然取得了显著的进展，但在没有任何标记数据的情况下，很难诱导出有监督的分类器。无监督的领域自适应能够通过将知识从标记的源域转移到未标记的目标域来克服这一挑战。可转移性和可区分性是表征特征表示的优越性的两个关键标准，以实现成功的领域自适应。在本文中，一种新的方法称为\textit{learning TransFerable and Discriminative Features for unsupervised domain adaptation}（TFDF）提出了这两个目标同时优化。一方面，进行分布对齐以减少域差异并学习更多的可传递表示。在再生核希尔伯特空间（RKHS）中，我们采用了一种新的统计量\textit{Maximum Mean and Covariance Discrepancy}（MMCD），它不仅能捕获一阶统计信息，还能捕获二阶统计信息，而不是采用仅捕获一阶统计信息的\textit{Maximum Mean Discrepancy}（MMD）来度量分布差异.另一方面，我们建议通过流形正则化探索局部判别信息，并通过最小化所提出的\textit{class confusion}目标来学习更多的判别特征，分别探索全局判别信息。我们将这两个目标集成到\textit{Structural Risk Minimization}（RSM）框架中，并学习域不变分类器。在5个真实数据集…

2021-06-26cs.LGstat.ML

当无源领域自适应遇到带噪声标签的学习时

When Source-Free Domain Adaptation Meets Learning with Noisy Labels

University of Western Ontario（西安大略大学）

最近的国家的最先进的无源领域自适应（SFDA）的方法集中在学习有意义的集群结构的特征空间，这已经成功地适应知识从源域到未标记的目标域，而无需访问私人源数据。然而，现有的方法依赖于由源模型生成的伪标签，由于域偏移，这些伪标签可能是有噪声的。在本文中，我们研究SFDA的角度与标签噪声（LLN）的学习。与传统LLN场景中的标签噪声不同，我们证明了SFDA中的标签噪声遵循不同的分布假设。我们还证明了这种差异使得现有的LLN方法依赖于他们的分布假设无法解决SFDA中的标签噪声。经验证据表明，只有边际改善时，应用现有的LLN方法来解决SFDA的问题。另一方面，虽然在这两种情况下的标签噪声之间存在着根本的差异，我们从理论上证明了早期训练现象（ETP），这是以前在传统的标签噪声设置中观察到的，也可以在SFDA问题中观察到。大量的实验表明，通过利用ETP来解决SFDA中的标签噪声，对现有的SFDA算法进行了显着改进。

2023-02-24cs.CVcs.LG

跨域目标检测的解耦自适应算法

Decoupled Adaptation for Cross-Domain Object Detection

BNRist（北京国家信息科学与技术研究中心）；Tsinghua University（清华大学）

跨域目标检测比目标分类更具挑战性，因为图像中存在多个目标，并且每个目标在未标记目标域中的位置是未知的。因此，在对不同目标的特征进行自适应以增强检测器的可移植性时，容易混淆前景和背景的特征，从而影响检测器的可分辨性。此外，以往的方法只关注类别自适应，而忽略了目标检测的另一个重要部分，即，限界框回归的自适应。为此，我们提出了D-adapt，即Decoupled Adaptation，将对抗性自适应和检测器的训练解耦。此外，本文还通过引入限界框适配器，填补了目标检测中回归领域自适应的空白。实验结果表明，D-adapt在四个跨领域目标检测任务上取得了最佳的效果，特别是在基准数据集Clipart 1 k和Comic 2k上，D-adapt的性能相对提高了17%和21%。

2022-05-09cs.CVcs.LG

介入性领域自适应

Interventional Domain Adaptation

Zhejiang University（浙江大学）；Laval University（拉瓦尔大学）；State University of New York at Buffalo（纽约州立大学布法罗分校）

领域自适应（DA）的目的是将从源领域学习到的鉴别特征转移到目标领域。大部分的DA方法集中于通过域不变性学习来增强特征的可移植性。然而，源学习的可辨别性本身可能被定制为有偏见的并且不安全地通过虚假相关性来转移，\emph{i.e.}，源特定特征的一部分与类别标签相关。我们发现，标准的域不变性学习受到这种相关性的影响，并错误地转移了源细节。为了解决这个问题，我们使用未标记的目标数据来干预特征区分度的学习，以引导其摆脱特定领域的部分，并安全地转移。具体地说，我们通过一种新的特征干预策略生成反事实特征，以区分领域特定性和领域可共享部分。为了防止域特异性的驻留，特征可辨别性被训练为对反事实特征的域特异性中的突变不变。在典型的\emph{one-to-one}无监督领域自适应和具有挑战性的领域不可知自适应任务上进行实验，我们的方法与最先进的方法相比的一致性能改进验证了学习的判别特征更安全地可转移，并且可以很好地推广到新的领域。

2020-11-07cs.CVcs.LGstat.ML

当无监督领域自适应遇见单类异常检测：通过利用异常稀有性解决双重无监督诅咒

When Unsupervised Domain Adaptation meets One-class Anomaly Detection: Addressing the Two-fold Unsupervised Curse by Leveraging Anomaly Scarcity

Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Cristal Laboratory, National School of Computer Sciences, University of Manouba（晶体实验室，国家计算机科学学校，曼努巴大学）

本文提出了一种基于异常稀有性的无监督领域自适应框架，用于解决无监督异常检测中的双重无监督诅咒问题。

2025-12-26cs.CVcs.LG

重新思考领域自适应的最大平均离散度

Rethink Maximum Mean Discrepancy for Domain Adaptation

Dalian University of Technology（大连理工大学）；Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）

现有的领域自适应方法通过建立最大平均离散度（MMD）和区分距离，来减小源域和目标域之间的分布差异，并尊重源域和目标域的特定区分信息。然而，他们通常积累考虑这些统计量，并通过盲目估计参数来处理它们之间的关系。本文从理论上证明了两个基本事实：1）最小化MMD等于最大化源和目标的类内距离，但通过一些隐式权重共同最小化它们的方差，从而降低了特征的可分辨性; 2）类内距离和类间距离之间的关系是一个下降，另一个上升。在此基础上，我们提出了一种新的歧视性MMD。一方面，我们单独考虑类内和类间距离以去除冗余参数，并且所揭示的权重提供了它们的近似最优范围。另一方面，我们设计了两种不同的策略来提高特征的区分度：1）直接对MMD中隐含的类内距离施加一个权衡参数来调节其变化; 2）我们将MMD中揭示的相似权重施加在类间距离上并使其最大化，则可以引入平衡因子来定量地利用特征可转移性与其可辨别性。在多个基准数据集上的实验不仅证明了理论结果的有效性，而且表明我们的方法可以比比较先进的方法有更好的性能。

2020-07-01cs.LGstat.ML

基于判别流形嵌入和对齐的无监督领域自适应

Unsupervised Domain Adaptation via Discriminative Manifold Embedding and Alignment

Sun Yat-Sen University（中山大学）；JiaYing University（嘉应学院）；Guangzhou University（广州大学）

无监督领域自适应能够有效地利用源域到无监督目标域的丰富信息。虽然深度学习和对抗策略在特征适应性方面取得了重要突破，但还有两个问题需要进一步探讨。首先，在目标域上硬分配的伪标签对固有的数据结构是有风险的。其次，深度学习中的分批训练方式限制了对全局结构的描述。本文提出了一个黎曼流形学习框架，以实现一致的可转移性和可区分性。对于第一个问题，该方法通过软标签在目标域上建立概率判别准则。此外，该标准扩展到第二个问题的全球近似计划，这种近似也是节省内存。利用流形度量对齐与嵌入空间兼容。理论上的误差界推导出，以方便对齐。通过大量的实验对提出的一致流形学习框架进行了研究，实验结果表明了一致流形学习框架的优越性。

2020-02-28cs.CVcs.LGstat.ML

图学习中的渐进域适应

Gradual Domain Adaptation for Graph Learning

Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院）；PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学人工智能学院）

本文提出图渐进域适应框架，通过构建紧凑的域序列减少信息损失，利用FGW度量生成知识保留的中间图，并通过顶点基的进展提升跨域转移能力。

2026-05-13cs.LG

基于判别流形传播的无监督领域自适应

Unsupervised Domain Adaptation via Discriminative Manifold Propagation

Sun Yat-Sen University（中山大学）；City University of Hong Kong（香港城市大学）

无监督领域自适应在将丰富的信息从标记的源域利用到未标记的目标域方面是有效的。虽然深度学习和对抗策略在特征适应性方面取得了重大突破，但仍有两个问题需要进一步研究。首先，在目标域上硬分配的伪标签是任意的并且容易出错，并且直接应用它们可能破坏固有的数据结构。其次，深度学习的批量训练限制了全局结构的表征。本文提出了一个黎曼流形学习框架，同时实现可迁移性和可区分性。对于第一个问题，该框架通过软标签在目标域上建立概率判别准则。基于预先建立的原型，这个标准扩展到第二个问题的全球近似计划。采用流形度量对齐，以兼容嵌入空间。推导了不同对准度量的理论误差界，用于构造性制导。所提出的方法可以用来解决一系列变种的领域自适应问题，包括香草和部分设置。大量的实验已经进行了调查的方法和比较研究显示的歧视性流形学习框架的优越性。

2020-08-23cs.CVcs.LGstat.ML

深入领域偏移：通过依赖正则化实现迁移学习

Deep into The Domain Shift: Transfer Learning through Dependence Regularization

BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；City University of Hong Kong（香港城市大学）；The Laboratory for AI-Powered Financial Technologies Limited（人工智能金融科技实验室有限公司）；JD Digits Technology（京东数字科技）

本文提出一种新的领域自适应方法，将边缘分布差异与内部依赖结构差异分开衡量并优化二者权重，从而提升迁移学习的判别力和灵活性，在三个真实数据集上验证了其显著且稳健的改进效果。

2023-05-31cs.LGq-fin.CP

多源领域自适应中源选择的课程管理器

Curriculum Manager for Source Selection in Multi-Source Domain Adaptation

University of Maryland（马里兰大学）；Facebook AI

多源无监督领域自适应的性能在很大程度上取决于从标记源域样本转移的有效性。在本文中，我们提出了一个对抗代理，它可以学习源样本的动态课程，称为源选择课程管理器（CMSS）。课程管理器是一个独立的网络模块，在培训期间不断更新课程，并迭代学习哪些领域或样本最适合与目标对齐。这背后的直觉是迫使课程管理器不断地重新测量潜在域随着时间的推移的可转移性，以对抗性地提高域错误的出错率。CMSS不需要任何领域标签的知识，但它在四个著名的基准测试中的表现明显优于其他方法。我们还提供了可解释的结果，阐明了所提出的方法。

2020-07-02cs.CVcs.LGeess.IV

一个支持动态迁移学习的统一元学习框架

A Unified Meta-Learning Framework for Dynamic Transfer Learning

University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

迁移学习是指将知识或信息从相关的源任务转移到目标任务。然而，大多数现有的工作假设这两个任务是从一个固定的任务分布采样，从而导致次优性能的动态任务从一个非固定的任务分布在真实的场景。为了弥补这一差距，在本文中，我们研究了一个更现实和更具挑战性的动态任务迁移学习设置，即，源任务和目标任务随着时间的推移而不断发展。我们从理论上表明，在动态目标任务的期望误差可以紧界的源知识和连续分布的任务之间的差异。这一结果促使我们提出一个通用的元学习框架L2 E建模的知识转移的动态任务。它是围绕一个任务引导的元学习问题与一组元对的任务，基于此，我们能够学习的先验模型初始化快速适应最新的目标任务。L2 E具有以下特性：（1）跨动态任务的有效知识转移能力;（2）快速适应新的目标任务;（3）减轻对历史目标任务的灾难性遗忘;以及（4）灵活地结合任何现有的静态迁移学习算法。在不同图像数据集上的大量实验证明了所提出的L2 E框架的有效性。

2022-07-05cs.LG

AutoAdapt：一种用于大语言模型的自动化领域适应框架

AutoAdapt: An Automated Domain Adaptation Framework for LLMs

AutoAdapt通过多代理辩论系统和AutoRefine方法，实现高效可靠的LLM领域适应，提升领域适应性能25%。

2026-03-09cs.LG

用于无源单目标和多目标领域自适应的CoNMix

CoNMix for Source-free Single and Multi-target Domain Adaptation

Indian Institute of Science（印度科学学院）

本文提出了一种新的无源多目标领域自适应算法，并提出了一种基于\textbf{Co}核范数最大化和\textbf{Mix} Up知识蒸馏（\textit{CoNMix}）的自适应框架。这项工作的主要动机是解决单和多目标领域自适应（SMTDA）的无源范式，它强制执行的约束，标记的源数据是不可用的目标适应过程中，由于各种隐私相关的限制数据共享。无源方法利用目标伪标签，这可能是嘈杂的，以提高目标适应。我们引入标签保持增强之间的一致性，并利用伪标签细化方法来减少噪声伪标签。此外，我们提出了新的MixUp知识蒸馏（MKD）更好地推广多个目标域使用各种无源STDA模型。我们还表明，视觉Transformer（VT）的骨干提供了更好的特征表示与改进的域可转移性和类的可辨别性。我们提出的框架实现了国家的最先进的（SOTA）的结果，在流行的领域自适应数据集，如家庭，加州理工学院，和DomainNet的各种范式的无源STDA和MTDA设置。项目页面：https://sites.google.com/view/conmix-vcl

2022-11-07cs.AIcs.CVcs.LG

时间序列数据的自监督自回归领域自适应

Self-supervised Autoregressive Domain Adaptation for Time Series Data

Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research（资讯通信研究院）；Centre for Frontier AI Research（前沿人工智能研究中心）

无监督领域自适应（UDA）已经成功地解决了视觉应用中的域偏移问题。然而，由于以下原因，这些方法对于时间序列数据可能具有有限的性能。首先，它们主要依赖于大规模数据集（即，ImageNet）用于源预训练，这不适用于时间序列数据。其次，在域对齐步骤期间，它们忽略源域和目标域的特征空间上的时间维度。最后，大多数现有的UDA方法只能对齐全局特征，而没有考虑目标域的细粒度类分布。为了解决这些限制，我们提出了一个自监督自回归领域自适应（SLARDA）框架。特别是，我们首先设计了一个自监督学习模块，利用预测作为辅助任务，以提高源功能的可移植性。其次，我们提出了一种新的自回归领域自适应技术，结合时间依赖性的源和目标功能域对齐过程中。最后，我们开发了一个集成教师模型，通过一个自信的伪标记方法，在目标域中对齐类的分布。已经进行了广泛的实验，在三个现实世界的时间序列应用程序与30个跨域的情况下。结果表明，我们提出的SLARDA方法显着优于国家的最先进的时间序列领域自适应的方法。

2022-07-16cs.LG

MITA：弥合测试时适应中模型与数据的差距

MITA: Bridging the Gap between Model and Data for Test-time Adaptation

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Kuaishou Technology（快手科技）

提出MITA方法，通过引入基于能量的优化实现模型与数据的双向相互适应，有效弥合分布差距，在异常值、混合和纯分布场景下显著提升测试时适应的泛化性能。

2024-10-12cs.CVcs.LG

通过分解自适应提高时间序列预测的可迁移性

Improving the Transferability of Time Series Forecasting with Decomposition Adaptation

Zhejiang University（浙江大学）；Nanjing University（南京大学）

针对时间序列预测中数据稀缺限制模型性能的问题，提出SeDAN迁移架构，通过Implicit Contrastive Decomposition将特征分解为季节和趋势成分并分别进行自适应对齐，在五个基准数据集上验证了其高效稳定的跨域知识迁移能力。

2023-06-30cs.LG

基于可转移注意力的节点域自适应EEG道路愤怒识别

Node-wise Domain Adaptation Based on Transferable Attention for Recognizing Road Rage via EEG

Tianjin University（天津大学）；University of Electronic Science and Technology of China（电子科技大学）；Tianjin University of Traditional Chinese Medicine（天津中医药大学）

路怒症是一个值得关注的社会问题，但迄今为止研究甚少。本文基于多通道脑电信号的生物学拓扑结构，提出了一种结合可转移注意力（TA）和正则化图神经网络（RGNN）的脑电信号识别模型。首先，对EEG信号进行拓扑感知信息聚合，动态学习通道之间的复杂关系。然后，每个通道的可转移性被量化的基础上的结果的节点明智的域分类器，这是用来作为注意力得分。我们招募了10名受试者，并在模拟驾驶条件下收集了他们在愉悦和愤怒状态下的脑电信号。我们在这个数据集上验证了我们的方法的有效性，并与其他方法进行了比较。结果表明，该方法简单有效，跨学科实验的准确率为85.63%。它可以用来识别路怒症。我们的数据和代码是可用的。https://github.com/1CEc0ffee/dataAndCode.git

2022-11-06cs.LGeess.SP

时间序列在特征和标签偏移下的域适应

Domain Adaptation for Time Series Under Feature and Label Shifts

Harvard University（哈佛大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）

针对复杂时间序列的域适应问题，Raincoat模型通过同时对齐时间和频率特征并纠正错位，处理特征和标签偏移，在5个数据集上最高提升16.33%的迁移性能。

2023-06-19cs.AIcs.LG

判别式径向领域自适应

Discriminative Radial Domain Adaptation

Qiushi Academy for Advanced Studies, Zhejiang University（浙江大学求是高等研究院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Harvard Medical School（哈佛医学院）；Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学媒体网络协同创新中心）；Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）；Collaborative Innovation Center for Artificial Intelligence by MOE and Zhejiang Provincial Government (ZJU)（教育部与浙江省政府人工智能协同创新中心（浙江大学））；Zhejiang Lab（之江实验室）

领域自适应方法通常通过学习领域不变特征来减少领域移位。大多数现有的方法都建立在分布匹配的基础上，例如，对抗性领域自适应，其倾向于破坏特征的可辨别性。在本文中，我们提出了判别式径向领域自适应（DRDA）的桥梁源和目标域通过一个共享的径向结构。它的动机是观察到，随着模型被训练成具有渐进的区分力，不同类别的特征会向不同的方向向外扩展，形成放射状结构。我们表明，转移这样一个固有的歧视性的结构，将能够同时提高功能的可转移性和可辨别性。具体地说，我们表示每个域与一个全球性的锚和每个类别的本地锚，形成一个放射状的结构，并通过结构匹配减少域移位。它包括两个部分，即等距变换，以调整结构的全球和局部细化，以匹配每个类别。为了增强结构的可辨别性，我们进一步鼓励样本基于最优传输分配聚类到相应的局部锚点附近。在多个基准测试上进行了广泛的实验，结果表明，我们的方法在各种任务上的性能始终优于最先进的方法，包括典型的无监督领域自适应、多源领域自适应、领域不可知学习和领域泛化。

2023-02-13cs.CVcs.LG

基于GNN的模型中用于空间可迁移性的引导式网络无关特征初始化

GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models

Technical University of Munich（慕尼黑工业大学）

研究针对交通分配问题中GNN模型空间泛化差的问题，提出网络无关初始化层GUIDED，通过在虚拟链路注入需求标量属性标准化输入空间。实验表明其能提升模型性能、鲁棒性及参数效率，减少训练时间，为相关空间问题提供通用蓝图。

2026-07-22cs.AIcs.LG

异构领域自适应和设备匹配：基于DANN的循环监督对齐（DBACS）

Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS)

Infineon Technologies AG（英飞凌科技股份公司）；University of Padova（帕多瓦大学）

在现代工业中，过程监控和控制对于确保高质量标准和优化生产性能至关重要。这些技术在生产中的应用历史悠久，并产生了许多积极的影响，但与工业4.0和先进的机器学习，特别是深度学习解决方案相结合时，也具有巨大的潜力。然而，为了在生产中实现这些解决方案并实现广泛采用，深度学习方法的可扩展性和可移植性已成为研究的焦点。虽然迁移学习在许多情况下都是成功的，特别是在计算机视觉和同质数据输入的情况下，但应用于异构数据可能具有挑战性。出于需要转移和标准化建立的过程，以不同的，不相同的环境和适应异构数据表示的挑战，这项工作介绍了领域自适应神经网络与循环监督（DBACS）的方法。DBACS通过领域自适应解决了模型泛化的问题，特别是针对异构数据，并以通用方式实现基于深度学习的统计控制方法的转移和可扩展性。此外，模型的不同部分之间的循环交互使DBACS不仅能够适应域，而且还能够匹配它们。据我们所知，DBACS是第一个结合适应和匹配异构数据设置的深度学习方法。为了比较，这项工作还包括子空间对齐和多视图学习，通过将数据映射到相关的潜在特征空间来处理异构表示。最后，DBACS具有适应和匹配的能力，被应用于半导体制造中不同机器类型上运行的蚀刻工艺的虚拟计量用例。

2023-01-03cs.LG

电机复合故障诊断的多输出分类：面向部分标记目标域

Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain

KAIST（韩国科学技术院）

针对电机复合故障诊断中部分标记目标域和共存故障的挑战，提出集成MKMMD、EM损失与FLN的多输出分类框架，提升特征迁移性与诊断精度，在6个域适应案例中宏F1分数优于基线方法。

2025-03-15cs.LG

多领域黎曼图粘合用于构建图基础模型

Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models

Beijing University of Posts and Telecommunications（北京邮电大学）；North China Electric Power University（华北电力大学）；University of Illinois Chicago（伊利诺伊大学香槟分校）

GraphGlue通过黎曼几何视角整合多领域图数据，构建统一流形以提升模型可转移性与性能。

2026-02-28cs.LG

反事实检测满足迁移学习

Counterfactual Detection meets Transfer Learning

Xidian University（西安电子科技大学）；School of Artificial Intelligence（人工智能学院）

反事实属于话语结构和语义学的范畴，是自然语言理解的核心领域。本文介绍了一种解决反事实检测的方法，以及反事实语句的前件和后件的索引。虽然迁移学习已经被应用于几个NLP任务，但它具有在许多新任务中表现出色的特点。我们发现，检测反事实是一个简单的二进制分类任务，可以实现与现有的模型架构上的最小的适应，由于一个很好的注释训练数据集，我们引入了一个新的端到端的管道来处理前件和后果作为一个实体识别任务，从而适应他们到令牌分类。

2020-05-27cs.CLcs.LG

基于动态对比域适应的多源脑电情绪识别

Multi-Source EEG Emotion Recognition via Dynamic Contrastive Domain Adaptation

Northwest University（西北大学）；Zhejiang University（浙江大学）；Rochester Institute of Technology（罗切斯特理工学院）

提出多源动态对比域适应方法（MS-DCDA），通过多分支对比网络与子域差异学习解决EEG情绪识别的个体差异问题，在SEED和SEED-IV数据集上取得高准确率并优于多种域适应方法。

2024-12-23cs.HCcs.LGeess.SP

什么可以转移：用于内窥镜病变分割的无监督领域自适应

What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation

University of Chinese Academy of Sciences（中国科学院大学）；Huaqiao University（华侨大学）；University of Arkansas at Little Rock（阿肯色大学小石城分校）

无监督的领域自适应在语义分割中受到越来越多的关注。然而，由于同一病变在不同数据集上的表现形式不同，现有的模型大多不能直接应用于医学图像的病变转移;由于对所有的语义表示都给予了同等的关注，而没有忽略无关的知识，这导致了不可转移知识的负转移。为了解决这些挑战，我们开发了一个新的无监督语义传输模型，包括两个互补模块（即，T_D和T_F），其可以替代地确定在何处以及如何探索标记的源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜检查）。具体而言，T_D侧重于通过剩余可传递性感知瓶颈将医学病变的可传递视觉信息翻译到何处，而忽略不可传递的视觉特征。此外，T_F强调了如何增加各种病变的可转移语义特征，并自动忽略不可转移的表示，这探索了领域不变的知识，并反过来提高了T_D的性能。最后，通过对医学内窥镜数据集和几个非医学公共数据集的理论分析和大量实验，验证了该模型的优越性。

2020-04-24cs.CVcs.LGeess.IV

音频视觉持续测试时间适应无需遗忘

Audio-Visual Continual Test-Time Adaptation without Forgetting

本文提出AVReCAP方法，在测试时无需源数据即可提升模型性能，通过动态检索最佳融合层参数减少灾难性遗忘。

2026-07-21cs.LGcs.SD

超越可分性：对比表征对相关亚群的线性可迁移性分析

Beyond Separability: Analyzing the Linear Transferability of Contrastive Representations to Related Subpopulations

Stanford University（斯坦福大学）

对比学习是一种从未标记数据中学习表示的高效方法。最近的工作表明，对比表示可以跨域传输，导致简单的国家的最先进的算法，无监督领域自适应。特别是，一个被训练来分离源域上的表示的线性分类器也可以准确地预测目标域上的类，即使这两个域的表示彼此相距甚远。我们把这种现象称为线性可转移性。本文分析了对比表示在一般无监督领域自适应环境中何时以及为什么表现出线性可传递性。我们证明了当来自不同域中的同一类的数据（例如，照片狗和卡通狗）比来自不同域中的不同类的数据彼此更相关（例如，照片狗和卡通猫）。我们的分析是在一个现实的制度，源和目标域可以有无限的密度比和弱相关，他们有遥远的表示跨域。

2022-05-23cs.LG

基于记忆一致的无监督现成模型的源松弛医学图像分割

Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation

Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）

无监督领域自适应（UDA）是一种重要的协议，用于迁移从标记的源域中学习到的信息，以促进在未标记的异构目标域中的实现。尽管UDA通常在来自两个域的数据上进行联合训练，但由于对患者数据隐私或知识产权的担忧，访问标记的源域数据通常受到限制。为了回避这一点，我们提出了“现成的（OS）”UDA（OSUDA），旨在图像分割，通过适应OS分割器训练的源域的目标域，在没有源域数据的适应。为了实现这一目标，我们的目标是开发一种新的批量归一化（BN）统计适应框架。特别是，我们逐渐适应特定于域的低阶BN统计，例如，均值和方差，通过指数动量衰减策略，同时明确地强制域可共享的高阶BN统计的一致性，例如，缩放和移位因子，通过我们的优化目标。我们还通过低阶统计发散和缩放因子自适应地量化了通道的可转移性，以衡量每个通道的重要性。此外，我们将无监督自熵最小化纳入我们的框架，以提高性能，同时采用一种新的排队，内存一致的自训练策略，利用可靠的伪标签进行稳定和有效的无监督自适应。我们评估了基于OSUDA的框架在跨模态和跨亚型脑肿瘤分割以及心脏MR到CT分割任务上的应用。我们的实验结果表明，我们的内存一致OSUDA性能优于现有的源松弛UDA方法，并产生类似的性能与源数据的UDA方法。

2022-09-16cs.AIcs.CVcs.LG

最优传输满足噪声标签鲁棒丢失和领域自适应的MixUp正则化

Optimal transport meets noisy label robust loss and MixUp regularization for domain adaptation

Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）

在计算机视觉中，经常会遇到图像的区域偏移问题：图像类别相同，但采集条件不同。在领域自适应（DA）中，人们希望利用源标记图像对未标记的目标图像进行分类。不幸的是，在源训练集上训练的深度神经网络在不属于训练域的目标图像上表现不佳。提高这些性能的一种策略是使用最优传输（OT）在嵌入式空间中对齐源和目标图像分布。然而，OT可引起负转移，即将样品与不同的标记比对，这导致过拟合，尤其是在结构域之间存在标签偏移的情况下。在这项工作中，我们通过将其解释为对目标图像的噪声标签分配来减轻负对齐。然后，我们通过适当的正则化来减轻其影响。我们建议将MixUp正则化\citep{zhang2018mixup}与对噪声标签具有鲁棒性的损失相结合，以提高领域自适应性能。我们在一项广泛的消融研究中表明，这两种技术的结合是实现性能改善的关键。最后，我们评估我们的方法，称为\textsc{mixunbot}，在几个基准和现实世界的DA问题。

2022-06-22cs.CVcs.LGstat.ML