该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

May, 2020

该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

May, 2017

本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

Apr, 2018

该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

Sep, 2019

本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

Jan, 2019

本文提出了条件对抗网络 (CANs) 框架，旨在探索共享特征和标签预测之间的关系，以对共享特征施加更多的可辨识性，用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器，同时对共享特征表示和类别感知信息建模，采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析，证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此，CAN 是一个理论上良好的对抗网络，其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明，CAN 优于之前的方法。进一步的实验表明，CAN 具有将学习到的知识推广到未见领域的良好能力。

Feb, 2021

通过使用统计学的方法，构建了一个称为 DCAN 的轻型语义分割神经网络模型，为了降低深度学习模型在像素和特征级别上的模态差异，在生成器和分割网络上都实现了通道特征对齐，这就使得模型可以通过预测新颖真实数据的语义分割图，从而使得神经网络训练效果得到了极大提升。

Apr, 2018

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

提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

Feb, 2015