一、组合分类器方法：在多个源域和目标域分别训练出分类器，根据不同源域和目标域的相似度将多个分类器组合起来：
1加单组合方法给每个源域分类器相同权重
An Empirical Analysis of Domain Adaptation Algorithms for Genomic Sequence Analysis
2基于贝叶斯学习法给源域分类器加权
Bayesian muti-source domain adaoation
Bayesian multi-source domain adaptation | IEEE Conference Publication | IEEE Xplore
二、基于特征方法
通过映射函数将不同领域数据映射到同一特征空间以最小化不同领域特征间的差异，从而达到拉近特征分布的效果。
Domain adapation from muti sources via auxiliary
Domain adaptation from multiple sources via auxiliary classifiers (acm.org)
三、基于深度学习的多源迁移算法
1、多源对抗网络：通过多个领域判别器分别对其每个源域和目标域的特征分布
Adversarial Multiple Source Domain Adaptation
Adversarial Multiple Source Domain Adaptation (acm.org)
2、深度鸡尾酒网络：针对每个源域和目标域都用单独的领域判别器和一个分类器。领域判别器用于对其特征分布，分类器输出预测的概率分布。基于邻域判别器输出设计了一种多分类器投票方法。
Deep cocktail network:Muti-source unsupervised domain adapation with category shift
3、M3SDA:在考虑源域和目标域之间的对齐同时还对其不同源域的特征分布
Moment Matching for Multi-Source Domain Adaptation
Moment Matching for Multi-Source Domain Adaptation (thecvf.com)
4、MFSAN:认为在同一特征空间尝试消除所有领域的分布差异是更困难的。研究将不同源域提取到不同特征空间，在不同特征空间分别对其源域和目标域的特征分布，提出一种一致性正则化项约束多个分类器对同一样本的输出，使他们更加接近
Aligning domain-sepecific distribution and classifier for class-domain classification from mutiole sources
四、多源迁移论文学习
2020年，多源域适应（域迁移） MDA最新方法总结综述_贝猫说python的博客-CSDN博客
Multi-Adversarial Domain Adaptation：1809.02176.pdf (arxiv.org)