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

本文提出了一种实例自适应对抗训练技术，通过在每个训练样本周围施加特定的扰动边缘来实现更好的泛化能力和测试准确性。

Oct, 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

本篇文章介绍了一种名为对抗域增强的方法，用于在单一训练域情况下提高模型的泛化性能，通过使用元学习方案和WAE来松弛最坏情况限制，并在多个基准数据集上广泛实验，验证了该方法对于缓解单一域泛化问题的优越表现。

Mar, 2020

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

本研究旨在研究如何通过敌对训练来提高无监督领域自适应模型的鲁棒性，广泛实验表明，敌对鲁棒性方法能够有效提高该领域模型的可靠性和效果。

Feb, 2022

以对抗训练为基础，使用最后一层线性分类器的激活输入特征进行无监督领域自适应预测，结合激活归一化技术，提高模型预测能力。

Aug, 2022

该研究提出了一种领域对抗主动学习算法（DAAL），用于领域泛化任务中的分类任务，在减少数据资源的情况下实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。

Mar, 2024

通过主对抗领域适应的对抗性样例检测方法（AED-PADA），针对现有检测方法在广泛应用中存在的泛化性能较差的问题提出了解决方案，通过识别主对抗领域（PAD）并利用多源领域适应实现对对抗性样例的检测，实验表明我们的方法在具有极小幅度干扰的挑战性场景中具备突出的泛化能力。

Apr, 2024

本研究解决了对抗训练（AT）领域缺乏全面综述的问题，通过回顾近期代表性研究，总结AT的实施过程和实际应用。从数据增强、网络设计和训练配置三个角度审视AT技术，并探讨其常见挑战和未来研究方向。该工作为深入理解和应用对抗训练提供了宝贵的理论基础和研究前景。

Oct, 2024