적대적 학습 방법은 견고한 딥 네트워크를 훈련시키는 유망한 접근 방식이며, 다양한 영역에서 복잡한 샘플을 생성할 수 있습니다. 이러한 방법들은 도메인 시프트나 데이터셋 편향이 존재하더라도 인식 성능을 개선할 수 있으며, 최근에는 비지도 도메인 적응을 위한 여러 적대적 접근 방식들이 소개되었습니다. 이들 접근 방식은 훈련 도메인과 테스트 도메인 분포 간의 차이를 줄여 일반화 성능을 향상시킵니다. 이전의 생성 모델 접근 방식들은 시각적으로 매력적인 결과를 보였지만, 판별 과제에서는 최적이지 않았으며 더 작은 도메인 시프트에 한정되었습니다. 이전의 판별 모델 접근 방식들은 더 큰 도메인 시프트를 처리할 수 있었지만, 모델에 연결된 가중치 공유를 강제했으며 GAN 기반 손실 함수를 활용하지 못했습니다.우리는 먼저 최근 최신 연구들을 특수 사례로 포함하는 새로운 일반화된 적대적 적응 프레임워크를 제안합니다. 이 일반화된 관점을 통해 이전의 접근 방식들을 더욱 잘 연관시킬 수 있습니다. 또한, 우리의 일반 프레임워크에서 아직 탐구되지 않은 새로운 사례를 제안하며, 이는 판별 모델링, 연결되지 않은 가중치 공유, 그리고 GAN 손실 함수를 결합한 것으로, 이를 적대적 판별형 도메인 적응(Adversarial Discriminative Domain Adaptation, ADDA)이라고 명명합니다. 우리는 ADDA가 경쟁하는 도메인-적대적 방법들보다 효과적이면서도 상당히 단순하다는 것을 보여주며, 표준 크로스-도메인 숫자 분류 과제와 새로운 더 어려운 크로스-모달리티 객체 분류 과제에서 최신 비지도 적응 결과를 초월함으로써 우리 접근 방식의 잠재력을 입증합니다.