由于机器学习模型规模庞大，单机训练困难，联邦学习被广泛应用。但模型在新设备上可能因领域转移而难以泛化。本文介绍了RF-TCA，一种加速计算的转移组件分析方法，并扩展为FedRF-TCA，适用于联邦领域适应，通信复杂度与样本大小无关，性能优于现有方法。实验表明FedRF-TCA性能卓越且对网络条件稳健。

PiPa++是一个无监督域自适应分割框架，通过比较的核心思想提高了分割准确度。该框架学习像素级特征并实现时间连续性。实验证明该方法有效且与其他UDA方法兼容。

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，通过引入领域转换和更新 BN 统计的方法，以及最大化信息和可靠性约束伪标签的方法，提高了分类准确率。在摄影测量到空中 LiDAR 的适应中，达到了59.46%的mIoU和85.97%的OA。

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，通过引入不同的领域转换范例和逐步更新BN统计的方法，以及最大化信息和可靠性约束伪标签的方法，实现了比其他方法更好的分类准确率提升。在摄影测量到空中LiDAR的适应中，本方法在推理阶段达到了59.46%的mIoU和85.97%的OA。

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...

该研究创建了最大的跨语言翻译数据语料库，包含超过450k个样例，覆盖了1.8k种语言。通过预训练和微调模型，证明了跨语言转移对于资源稀缺的语言的有效性。

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...

本文介绍了Class-Aware Teacher（CAT）方法，用于解决域自适应设置中的类别偏差问题。通过使用Inter-Class Relation module（ICRm）来近似类别关系，减少模型内的偏差。实验证明该方法在不同数据集上能够显著提高少数类别的性能，达到52.5 mAP，超过现有最先进方法的51.2 mAP。

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。

深度学习在医学影像中取得显著性能，但主要关注有监督学习。为解决问题，开发了无监督领域自适应技术，用于从有标签领域转移知识到无标签领域。本文综述了医学影像中最新的深度无监督领域自适应方法，分类为六组，并根据任务进行子分类。讨论了评估不同领域差异的研究中使用的数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了调查。

本研究提出了一种使用多实例学习和域自适应方法的流程，以提高目标数据集的分类性能。通过高置信度的伪标签方法有效地结合两种方法的监督信息。实验证明该方法相对于现有方法显著提高了分类性能。

该文介绍了一种新的识别方法DA-FSOS及其模型DAFOSNET，用于域自适应少样本开放集识别。该模型使用元学习架构，创建伪开放空间决策边界，增强数据密度，并提出特定于域的批归一化类原型对齐策略。在多个数据集上验证了其有效性。

本文介绍了一种利用少量示例进行上下文学习的方法，通过微调一个较小的模型来适应神经机器翻译任务。该方法可以实现域自适应，比传统监督技术和大型语言模型的上下文学习更有效。

本文介绍了一种利用少量示例进行上下文学习的方法，通过微调一个较小的模型来适应神经机器翻译任务。该方法可以实现域自适应，并在翻译质量和即时适应率方面优于传统监督技术和大型语言模型。同时，该方法还可以实现高效的批处理推理。

该文介绍了一种自我监督的域自适应方法，适用于仅有标注源领域数据但目标领域数据完全无标注的情景。作者使用了分割基础模型来获得未标注数据的部分信息，并提出了一种对目标域中检测到的分割区域进行正则化特征表示的不变性方差损失结构。作者在两个数据集上展示了该方法的优势，并显示出它优于之前的方法，甚至优于使用真实注释进行训练的网络（在其中一个数据集上）。

该文介绍了领域适应的概念和应用，评估了三种领域适应模型。作者发现现有的基于缓冲区的持续领域适应方法存在稳定性问题，并提出梯度归一化作为一种解决方案。该研究为航空部署提供了实际的领域适应场景。