Domain Adaptation学术上有哪些方向，还有哪些可做的地方？ 第1页

列几个个人认为的新方向：

• 相对新的坑： Domain generalization (领域泛化)，在DA的基础上更进一步，拿不到test data如何让模型更泛化？可以看我最新写的综述：
• 王晋东不在家：《小王爱迁移》系列之二十八：一篇综述带你全面了解迁移学习的领域泛化(Domain Generalization)
• 文章链接：Generalizing to Unseen Domains: A Survey on Domain Generalization
• 老问题、新办法：我们在尝试将元学习与domain adaptation结合起来，使DA不依赖于定义好的分布度量函数，而是自动地从数据中学习。看这两篇文章：
• Learning Invariant Representations across Domains and Tasks
• Learning to Match Distributions for Domain Adaptation
• 新的理论视角：与因果推断(causal inference)进行结合，统一地解决DA和DG问题：
• Learning Causal Semantic Representation for Out-of-Distribution Prediction

与此同时，近几年出现了一些“新”DA setting，和已有的机器学习setting进行组合，方法上也方便直接进行A+B / A for B，技术难度普遍不高，实乃发文章利器。这些新setting包括但不局限于：

• Federated domain adaptation：与联邦学习结合，目前炙手可热的领域
• Continual / lifelong domain adaptation：与持续学习结合
• Online / incremental domain adaptation：与在线和增量学习结合
• Partial / open set / universal domain adaptation：开放集的领域自适应问题
• Self-supervised / contrastive domain adaptation: 与自监督学习的结合
• Few-shot domain adaptation: 与few-shot learning的结合

我们可以很轻松地将上述的setting再进行结合，做一个Federated continual partial self-supervised domain adaptation等工作，绝对没人做过，benchmark一片空白 :)

可以直接预测到即将出现的工作：

• Vision transformer-based domain adaptation: 与vision transformer结合
• Hierechical domain adaptation with vision Transformer: 最近大热的ViT
• 待续

总结：DA领域发展已有数十年，相关工作层出不穷。咋看之下，DA“已死”。但是，相信大家通过我们上面的分析，能够认识到此领域还有很多新的学术方向可以探索。

希望大家能够在老问题上勇于开拓新战场、勇于提出新问题；能在满足毕业和工作要求的基础上，做出好的工作来。