本文提出了一种多源领域自适应方法，称为多源情感生成对抗网络（MSGAN），用于视觉情感分类，通过循环一致性对抗性学习以端到端的方式，MSGAN 可以学习找到一个统一的情感潜在空间，其中来自源域和目标域的数据共享类似的分布。对四个基准数据集进行的广泛实验表明，MSGAN 在视觉情感分类方面明显优于最先进的多源领域自适应方法。

Jan, 2020

本文介绍了一种增强循环对抗学习模型，用于域适应并解决在其中数据丰富的域中对任务的学习问题，通过迁移学习及结合声音识别任务的结果，在低资源环境下将 SVHN 和 MNIST 彼此转换的分类准确率分别提升了 14% 和 4%。

Jul, 2018

本文提出一种新颖的 Cycle-Consistent Adversarial Domain Adaptation 模型，可以在视觉识别和预测的各种情景中适用，通过像素级和特征级的适应，强制实施循环一致性，并利用任务损失，从而在多个适应任务中展现出新的最先进结果，包括数字分类和道路场景的语义分割，展示从合成到真实世界领域的转移。

Nov, 2017

本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

Sep, 2019

本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

Aug, 2022

本文提出一种新的多源领域自适应 (MDA) 框架，通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战，并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验，证明 MADAN 和 MANDA + 模型的优越性。

Feb, 2020

本文提出了一种多源领域自适应的新型框架 MADAN，其中包括通过动态语义一致性生成每个源的适应域，通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合，以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明，MADAN 模型优于现有的最先进方法.

Oct, 2019

本研究提出了一种新型生成对抗网络（MiddleGAN），通过输入源域和目标域相似的样本生成领域无关样本，以训练处理目标领域分类任务的分类器，通过在 24 个基准测试中的实验证明，在特定的基准中，MiddleGAN 在现有算法中的表现出了高达 20.1％的优异性能。

Nov, 2022

本研究提出了一种通过特征聚合和课程学习相结合的双分类器模型 (Curriculum Graph Co-Teaching) 来实现多目标域自适应 (MTDA)，该模型使用图卷积网络 (GCN) 来聚合来自不同领域的样本特征，同时采用辅助的课程学习策略来获取可靠的伪标签，实验结果表明该模型在多个基准数据集上都取得了比现有方法更好的性能。

Apr, 2021

本文提出了基于生成对抗网络的多源域自适应方法，通过将图像特征投影到保留内容依赖性的空间，再将这个不变表示重新投影到像素空间，从而生成训练目标分类器所需的新标记图像。通过 MSDA 基准测试，表明本文的方法优于现有技术。

Apr, 2020