本文提出了一种基于共正则化的对抗学习机制，用于多领域文本分类，通过构建两个不同的共享潜在空间，在其中进行每个 domain 的域对齐，并通过惩罚两个对齐在未标记数据上的预测不一致性来进行特征学习。同时，此方法还结合了虚拟对抗训练进行一致性正则化。实验表明该模型在两个 MDTC 基准测试上优于现有方法。

Jan, 2022

本文提出了一种新颖的双对抗协同学习方法，用于多领域文本分类，该方法利用共享 - 私有网络进行特征提取，并在不同域和标签与未标签数据同时下采用双重对抗正则化来对齐特征，并旨在通过所学习的特征来提高分类器的泛化能力。我们在多领域情感分类数据集上进行了实验，结果表明所提出的方法达到了目前最先进的多领域文本分类性能。

Sep, 2019

多领域文本分类（MDTC）是利用相关领域的可用资源来提高目标领域的分类准确性。本研究提供了关于 MDTC 的理论分析，将其分解为多个领域适应任务，并以边缘差异作为领域差异的度量，建立了一个基于 Rademacher 复杂度的新的泛化界限，并提出了基于边缘差异的对抗训练（MDAT）方法以验证其有效性。实验证明，我们的 MDAT 方法在两个 MDTC 基准上超过了先前的方法。

Mar, 2024

本研究提出了一个名为 MRAN 的混合正则化对抗网络，通过引入领域和类别的混合正则化来增强共享潜在空间内在特征，并在训练实例之间强制执行一致的预测，以使学习到的特征更具领域内部不变性和区分性，实验结果表明对于 Amazon 评论数据集和 FDU-MTL 数据集分别获得了 87.64％和 89.0％的平均准确率，优于所有相关基线模型。

Jan, 2021

该研究提出了一种旨在通过监督对比学习将多个领域的文本分类特征对齐到同一特征空间中的稳健对比对齐方法，以实现多领域文本分类，消除了新兴领域增多带来的效率低下问题，从而只需两个通用特征提取器。实验结果表明，该方法在多个领域中效果良好。

Apr, 2022

本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

May, 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

社交媒体误导信息对个人和社会有害，并且多模态内容（即文本和图像）使其更具 “可信度”，高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法（RDCM），用于多模态误导信息的检测，通过领域内对齐模块降低领域漂移，并通过跨模态对齐模块弥合两种模态之间的语义差距。在两个公开的多模态误导信息检测数据集（Pheme 和 Twitter 数据集）上的评估结果证明了该模型的优越性。

Nov, 2023

本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

Nov, 2018

本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

Jul, 2020