本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为ADDA，它将判别建模、解除权重共享和GAN损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

Aug, 2018

本文提出一种多重对抗领域自适应方法(MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

Sep, 2018

本文提出一种新的无监督域适应方法——SymNets，它是基于一种对称的分类器设计的。我们提出了一种新的对抗学习目标，其中关键设计基于两级域混淆方案。我们还提出了一种跨域训练的方案来帮助学习目标分类器。针对常用的基础网络，我们的 SymNets 在三个基准域适应数据集上取得了新的最优性能。

Apr, 2019

本文提出了一种新的域自适应方法Adversarial Tight Match（ATM），它结合了对抗训练和度量学习的优点，使用Maximum Density Divergence（MDD）来量化分布差异，使其能够在经典和大型基准测试上实现新的最先进性能。

Apr, 2020

该论文采用信息正则化方法解决多源域适应（MDA）中多个域鉴别器可能存在的问题，并设计了一种名为MIAN的神经架构，实验结果表明，MIAN明显优于现有的其他方法。

Apr, 2021

本文提出了一种新的通用领域敌对框架，利用变分f-分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

Jun, 2021

提出了一种新颖的领域泛化技术，随机对抗样式扰动（RASP），该算法通过扰动特征的样式来捕捉每个领域的特征统计信息，并通过特征混合增强学习源域的知识，以提高领域泛化能力，尤其是在大规模基准测试中

Apr, 2023