多重对抗领域适应
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
该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear调节和Entropy调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。
May, 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
本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架，将源数据和目标数据的特征最小化，通过关联对齐模块和对抗学习来实现更加领域无关的模型，并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。
Nov, 2019
本文提出一种新的多源领域自适应(MDA)框架，通过设计一个端到端的多源对抗性域聚合网络(MADAN)来解决领域自适应中的像素级对齐和任务特征不对齐等挑战，并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验，证明MADAN和MANDA+模型的优越性。
Feb, 2020
本文介绍一种新的多源域自适应方法—— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA方法优于比较方法，并实现了最新的性能表现。
Mar, 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