对抗领域适应的双 Mixup 正则化学习
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
本研究提出在深度神经网络中结合域随机映射(Domain Mixup)的方法用于域自适应领域, 研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。
Dec, 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
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
本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术
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
本文针对无监督域适应问题，提出了一种基于对比度预训练的分类器学习方法，该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射，并在基准视觉数据集上获得了验证。
Apr, 2022
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