我们提出了一种新的双判别器域对抗神经网络，即 BACG，通过类级梯度对齐和证据学习理论来解决无监督域适应中的挑战，并且在四个基准数据集上进行的广泛实验和理论分析验证了算法的有效性和健壮性。

Oct, 2023

本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

Feb, 2020

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

提出了一种新颖的方法 RecSys-DAN，通过表示学习、对抗学习和转移学习（特别是域适应）来减轻交叉领域和领域内数据的稀疏性和不平衡性，并学习用户、项目及其交互的可传输潜在表示。该方法通过对抗损失进行最小最大博弈来学习目标域中的映射函数，旨在生成具有域不可区分性的表示形式。在真实的亚马逊数据上的实验结果表明，即使不使用目标域中的标记数据（即评分），RecSys-DAN 与最先进的监督方法相比具有竞争力。

Mar, 2019

提出了一种利用 Adversarial Dropout Regularization 的方法来实现神经表示从有标签的源域到无标签目标域的转移，以提高语义分割和图像分类任务的准确性，并证明了该方法的有效性。

Nov, 2017

本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

May, 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

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

提出 Adversarial Bayesian Augmentation（ABA）算法，该算法利用对抗学习和贝叶斯神经网络生成多样化的数据增强，以解决领域泛化中缺乏多样训练数据、目标数据不可访问和领域偏移等问题，通过在多种领域上生成合成图像域，帮助分类器在未见到的领域中泛化。在包括样式偏移、子人群偏移和医学图像处理等多种领域偏移情况下，ABA 超越了所有以往的最先进方法，包括预先指定的增强、基于像素和卷积的增强技术。

Jul, 2023

本研究利用多个源数据集来学习针对不同但相关的目标数据集的模型，并且提出了一种理论上有依据的优化程序。通过有效地调整每个源域的权重，所提出的算法可以在情感分析和数字识别等数据集上显著优于现有的最先进方法。

Sep, 2019