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

该研究论文介绍了一种名为Selective Adversarial Network (SAN)的选择性对抗网络，用于解决部分转移学习（partial transfer learning）问题，从而实现大数据时代的分类和特征转移学习优化。实验结果显示，我们的模型优于多个基准数据集上的现有最先进结果。

Jul, 2017

通过集群假设的视角，该研究提出了两个新的模型：结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应（VADA）模型以及采用自然梯度步骤进一步减小集群假设违反的Decision-boundary迭代细化训练与教师（DIRT-T）模型。广泛的实证结果表明，这两个模型的组合大大提高了数字，交通标志和Wi-Fi识别领域自适应基准的最新性能。

Feb, 2018

本文提出了一种基于重要性加权的对抗网络方法，用于无监督域自适应，特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限，并减少域之间共享类的变化。

Mar, 2018

本文通过提出Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

Mar, 2019

提出了一种基于判别式对抗领域适应(DADA)的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将DADA扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

该论文提出了一种名为ALDA的新颖领域自适应方法，利用伪标签方法和混淆矩阵相结合，实现特征分布的对齐和目标特征的强分类，并将学习到的混淆矩阵构建为新的损失函数。在四个标准领域适应数据集上较其他已知方法表现更优。

Jan, 2020

本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

Mar, 2020

本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。

Jul, 2021

提出了一种新颖的对比对抗训练 (Contrastive Adversarial Training, CAT) 方法，通过利用源域样本来强化和规范目标域的特征生成，以解决领域适应中由于大模型训练和目标域微调缺乏标记数据而导致的问题。该方法可以轻松插入现有模型并显著提高性能。

Jul, 2024