本文提出了一种基于最优传输和高斯混合模型的多源领域自适应框架，应用于图像分类和故障诊断。通过GMM-WBT和GMM-DaDiL策略，研究表明该框架在提高性能的同时，速度更快且参数更少，能够在样本稀缺的情况下实现先进的适应性能。

本文提出了一种无监督领域适应的人员重识别方法，结合多源领域自适应和联邦学习，显著提升了识别性能。通过新框架和算法，解决了数据分布差异和伪标签噪音问题，实验证明其在多个基准测试中优于现有技术。

本文提出了一种基于元学习和多源领域自适应的多元偏好增强框架（MetaDPA），旨在解决稀疏交互和冷启动问题。MetaDPA通过最大化约束和互斥约束，显著提升了推荐性能，超越了现有基线模型。