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

提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

Apr, 2019

本文提出一种叫做Virtual Mixup Training的新方法，该方法可以将局部Lipschitz约束性应用到训练数据间距的区域中，不需要使用标签信息，适用于无监督域自适应。结果表明，VMT显著提高了VADA在六个领域适应基准数据集上的性能，尤其是将MNIST适应到SVHN的挑战性任务中，VMT可以将VADA的准确性提高30%以上。

May, 2019

本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为AMEAN，其中使用了两种对抗学习方法，以克服BTDA中的负转移效应和隐式类别缺陷，并取得了良好的性能。

Jul, 2019

本论文研究了无监督域适应问题，提出了使用mixup公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

Jan, 2020

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

提出了一种基于双混合正则化学习（DMRL）的无监督域自适应方法，采用判别器辅助分类器训练，通过混合正则化促进模型对于样本和特征的分类和对于域变量的鲁棒性，实验结果表明该方法在四个域适应基准上实现了最先进结果。

Jul, 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

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