面部表情跨领域识别的对抗性图表示适应
本文针对不同面部表情识别（FER）数据集间的数据不一致性问题，提出了一种新的跨域 FER 方法（AGRA），通过将图表示传播与对抗学习相结合，实现了域内和跨域间简化特征的自适应共适应。简单说，这个方法可以更好地识别面部表情并且比以前的方法表现更好。
Aug, 2020
针对交叉领域面部表情识别中领域转移的挑战，提出一种自适应的全局 - 局部表示学习与选择框架，通过全局 - 局部对抗性适应和语义感知伪标签生成来增强训练中的领域不变性和判别特征学习，同时，在推断过程中引入了全局 - 局部预测一致性学习来改进分类结果，通过一系列实验，结果表明该框架在公平评估中比现有竞争方法表现出明显的优势。
Jan, 2024
通过双重对抗学习的方法，本文提出了 Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。
Dec, 2023
本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。
Feb, 2022
本文提出一种跨域学习的视频分类器，通过 Adversarial Bipartite Graph 模型学习源域与目标域之间的交互，增强模型的泛化能力，并在半监督学习中扩展了该模型，实验结果表明该方法在视频识别任务上优于当前最佳方法。
Jul, 2020
本文提出了一种对抗鉴别特征学习框架，通过在原始像素空间和紧凑特征空间上进行对抗学习，整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明，我们的方法优于最先进的 HFR 方法，且不需要复杂网络或大规模训练数据集。
Sep, 2017
本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。
Mar, 2019
提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。
Aug, 2021
本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。
Sep, 2019