対抗的学習手法は、堅牢な深層ネットワークの訓練において有望なアプローチであり、多様なドメインで複雑なサンプルを生成することができます。また、ドメインシフトやデータセットバイアスが存在する場合でも認識性能を向上させることができます。最近、無教師ドメイン適応に対するいくつかの対抗的手法が導入され、これらは訓練とテストのドメイン分布間の差異を低減し、汎化性能を向上させることが示されています。以前の生成モデルでは魅力的な視覚化が行われましたが、判別タスクにおいて最適ではなく、小さなシフトに限定される傾向がありました。一方、以前の判別モデルでは大きなドメインシフトに対処できましたが、モデルに結合重みを課し、GANベースの損失関数を利用しなかったという制約がありました。本稿ではまず、これらの最先端手法を特殊ケースとして包含する新しい一般的な対抗的適応フレームワークを概説します。この一般的な観点から、以前の手法との関連性をより明確に説明します。次に、当該一般フレームワークに基づく未探索のインスタンスとして、判別モデリング、結合重み共有解除（untied weight sharing）、およびGAN損失を組み合わせた手法である「対抗的判別型ドメイン適応（Adversarial Discriminative Domain Adaptation: ADDA）」を提案します。我々はADDAが競合するドメイン対抗的手法よりも効果的かつ著しく単純であることを示し、標準的なクロスドメイン数字分類タスクや新たなより困難なモダリティ間物体分類タスクにおける最先端の無教師適応結果を超えることにより当該アプローチの可能性を実証します。