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。

本文综述迁移学习在医学图像分类中的进展。ImageNet预训练因领域差异增益有限；FLAIR等视觉-语言基础模型直接迁移可提升2.5%，微调后达4%；自监督预训练在医学领域可媲美或超越ImageNet。相关研究将其应用于视网膜病变、脑血管分割、胶质瘤分类、COVID-19诊断及乳腺癌病理分类，并探索半监督、域自适应与对比变分自编码器等方法。

该文综述跨域少样本分割与分类研究，提出动态自适应细化DARNet、双向少样本预测与迭代适配器、少样本域自适应、对抗任务增强、自适应语义一致性、元混合网络、聚类适配C2A、base learner结合及跨域自监督等方法，以缓解域差异与过拟合，性能显著提升。

本文综述基于激光雷达的3D目标检测域自适应研究，涵盖无源自适应、跨区域车辆尺寸校正、无锚点无NMS检测器、空间几何与时间运动对齐、单域泛化多任务学习、MS3D++自训练、SSDA3D半监督及CycleGAN域自适应等方法，以解决传感器配置、地理区域和天气差异导致的域偏移问题。

该文综述了血管分割的多种深度学习方法，包括：基于单个2D投影深度监督分割3D胰周动脉、自适应半监督分割脑血管、弱监督框架分割冠状动脉、生成模型合成血管树提升肾小球微血管分割、基于HiP CT建立肾脏血管分割基准、FocalSegNet结合CRF从MRA粗标签分割颅内动脉瘤、DeepVesselNet降低计算复杂度、半弱监督学生-教师模型分割视网膜液体、边界体素与最小曲面优化血管拓扑，以及半监督域自适应实现跨模态脑血管分割。

该文综述了时间变化分布下的在线学习与域自适应研究，涵盖嵌入概率分布、连续时间算法、KL散度监测概念漂移、进化分类器集合、原型更新、元学习序列预测及贝叶斯框架等方法，旨在解决遗忘、概念漂移和资源评估问题。