本文探讨了联邦学习在分布式设备网络中的数据隐私和效率问题，提出了动态注意机制、知识转移和本地适应技术等方法，以提高模型的准确性和适应性。实验证明，这些方法在多个任务上表现出色，有效应对领域转移和隐私保护的挑战。

本文提出了一种新的域自适应框架，利用统计流形的曲率黎曼几何，整合源域和目标域的几何与统计差异。介绍了多种生成模型和流动方法，如M-flows和Conformal Embedding Flows，以提高数据流形的学习和密度估计效果。最新方法在Riemannian流形上进行分布学习，显著提升推断速度和性能。

本文介绍了一种基于深度学习的指静脉识别框架，采用压缩的U-Net和SOSNet模型实现域自适应，以提高识别精度。研究总结了多种技术进展，如ResFPN预处理和卷积多头注意网络，验证了其在静脉分割中的有效性，展现了广泛的应用潜力。

本文提出了一种新型的偏差距离度量，针对域自适应问题，开发了多种损失函数的估计方法和算法。研究了条件不变组件的假设及其在域适应中的应用，提出了基于条件分布对齐的算法，并验证了其在不同数据集上的有效性，显著提高了分类性能。

本文提出多种领域适应方法，利用弱监督学习和对抗网络提升语义分割性能。研究表明，通过特征对齐和伪标签生成，模型在不同数据集上的准确度显著提高，尤其在目标域标注稀缺时表现优异。

本文研究了点云语义分割中的域自适应和测试时间自适应技术，提出了多种方法以提高分类准确率。在推理阶段，方法达到了59.46%的mIoU和85.97%的OA。提出的PointDif预训练方法和Point-TTA框架显著提升了点云配准的性能，展示了在多个数据集上的有效性和鲁棒性。

本文提出了广义标签偏移（GLS）假设，以增强分类器在标签分布不匹配情况下的鲁棒性。通过修改现有的域自适应算法，实验结果显示算法性能显著提升。此外，研究还探讨了不确定性量化、因果推断和半监督学习等领域的改进方法，以提高模型在不同分布下的适应能力和预测准确性。

本文提出了一种新颖的端到端框架UNI-KD，通过对抗学习实现跨领域模型压缩。实验结果表明，该方法结合域自适应和无监督知识蒸馏，优化卷积神经网络，具有较高的准确度和较低的时间复杂度，适用于实际应用。

通过自我降级的对比域自适应 (Sd-CDA) 诊断框架来处理不平衡数据下的域差异问题，首先通过基于模型剪枝的不平衡感知对比学习方法对特征提取器进行预训练，以自监督方式高效地学习特征表示；然后基于监督对比域对抗学习 (SupCon-DA) 强制将样本远离域边界，确保特征生成器生成的特征具有足够的区分性；此外，提出了剪枝对比域对抗学习...

本文介绍了多种基于变压器的目标检测方法，如DA-DETR、MTM和SAM-DETR++，并强调了域自适应和特征融合在目标检测中的重要性。这些方法在多个基准测试中表现优异，尤其在不同场景和数据集上实现了显著的性能提升。

本文探讨了通过适应标记器和领域自适应数据选择方法（TextGram）来优化预训练语言模型的性能，特别是在文本分类和跨语言翻译任务中的应用。研究表明，分词设计对大型语言模型（LLMs）至关重要，并提出了相应的优化策略。此外，介绍了开源模型InternLM2在生物医学和计算机科学领域的优越性，表现优于BERT BASE模型。

提出了一种称为 Adversarial Reweighting with α-Power Maximization (ARPM) 的新方法，用于 Partial DA 任务中遗漏了目标域的私有类别。通过对抗性重新加权模型和 α-Power 最大化机制，提高了源域数据的识别精度并减少了预测不确定性，实验证明该方法优于最近的 Partial DA 方法，并在 Open-set...

本文提出了一种新型的无源无监督域自适应方法，解决了针孔图像到全景图像的语义分割问题。通过割裂等距投影和全景原型自适应模块等技术，显著提升了分割性能。实验结果表明，该方法在多个基准测试中优于现有技术，具有更高的准确率和效率。

本文介绍了自定义对抗训练（CAT）算法，通过自适应调整对抗样本的扰动和标签，提升训练样本的多样性，改善模型性能。研究提出的Medi-CAT训练策略有效解决医学图像中的欠拟合和过拟合问题，实验结果显示准确性提高了2%。此外，Class-Aware Teacher（CAT）方法有效减少域自适应中的类别偏差，提升模型在不同数据集上的表现。

本文提出了一种结合多实例学习和域自适应的方法，以提高病理图像数据集的分类性能，并通过高置信度伪标签有效整合监督信息。研究表明，该方法在急性缺血性中风的检测和分类中显著提升了分类准确率。此外，采用迁移学习和主动学习框架，能够从少量医学图像中训练出鲁棒的深度学习系统，简化了标注数据库的建立过程。

通过生成伪样本和软域标签进行自适应训练，提出了一种新的正则化方法BlenDA，用于解决领域自适应目标检测中的领域差异问题。实验证明，该方法能显著提高领域自适应目标检测器AQT的性能，在Foggy Cityscapes数据集上实现了53.4%的mAP，超过了先前方法1.5%。该方法适用于各种领域自适应目标检测范式。

本文介绍了一种新的广义源自由域自适应（G-SFDA）范例，通过局部结构聚类（LSC）和稀疏域注意力（SDA）实现不同领域的特征通道激活。实验证明，该方法在目标表现上与现有的域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上达到了最先进的性能（85.4%）。

本文介绍了一种无监督领域自适应方法M-ADDA，结合了度量学习和对抗学习。M-ADDA在MNIST和USPS的数字自适应数据集上表现优于ADDA，证明使用度量学习的领域自适应可以提高分类准确性。

本文提出了一种基于对抗领域自适应和图卷积的图传输学习框架AdaGCN，用于解决跨网络节点分类问题。该框架能够成功传输类信息，即使在标签数据不足和源目标领域差异显著的情况下也能有效应用。实验结果验证了AdaGCN的有效性。

TASFAR 是一种针对回归任务的目标不可知的无源领域适应方法，通过预测置信度来估计目标标签分布，从而校准目标领域上的源模型，实验证明 TASFAR 在四个任务上平均降低了 22% 的误差，同时实现了与基于源的 UDA 几乎相当的准确性，而无需使用源数据。