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

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

提出一种促进分类域联合自适应 (CatDA) 的方法，即利用联合分类器生成对齐一致的分类预测来实现更细粒度的领域对齐，进一步将此方法用于虚拟相邻领域自适应 (VicDA) 中，以及利用目标区分性结构恢复方法来提高领域能力。该方法在多个基准数据集上实现了新的领域自适应最新技术。

Mar, 2021

本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。 我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用3个基准数据集的大量实验证明了我们的方法在新设置下优于现有的UDA方法，在现有UDA变量中也很有竞争力。

Jun, 2021

该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法，通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐，从而不需要敌对训练且收敛速度快，在对象识别和数字分类任务中均取得了显着的结果。

Jun, 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

本文提出了一种基于无判别器的对抗学习网络（DALN）的范式，其中分类器被重新利用作为鉴别器，通过统一目标实现了明确的域对准和类别区分，使DALN能够利用预测的鉴别信息进行充分的特征对其。同时，引入了核范数Wasserstein距离（NWD）作为判别准则，无需附加重量剪辑或渐变惩罚策略等要求即可满足K-Lipschitz约束条件，且与现有的UDA算法相比具有更好的性能。

Apr, 2022

本文提出了判别性径向领域适应方法（DRDA），通过共享径向结构来缩小源域和目标域之间的差异，以增强特征的传递性和可区分性。在多个基准测试中进行了广泛实验，表明该方法在各种任务上均优于现有方法，包括典型的无监督域适应，多源域适应，域不可知学习和域泛化。

Jan, 2023