원본 도메인의 레이블이 부여된 샘플과 타겟 도메인의 레이블이 없는 샘플이 주어졌을 때, 비지도 도메인 적응(unsupervised domain adaptation)은 타겟 도메인의 샘플을 잘 분류할 수 있는 분류기를 학습하는 것을 목표로 한다. 최근의 기술들은 깊은 신경망의 도메인 적대적 학습을 통해 도메인 불변 특징을 학습하는 데 의존하고 있다. 그러나 분류 과제용 분류기와 도메인 분류기의 별도 설계로 인해 발생하는 모드 붕괴(mode collapse) 문제로 인해, 이러한 방법들은 도메인 간 특징과 카테고리의 결합 분포를 효과적으로 정렬하는 데 한계를 보이고 있다. 이를 극복하기 위해 우리는 새로운 적대적 학습 방법인 '구분적 적대적 도메인 적응(Discriminative Adversarial Domain Adaptation, DADA)'을 제안한다. DADA는 카테고리와 도메인을 통합한 분류기를 기반으로 하며, 임의의 입력 샘플에 대해 카테고리 예측과 도메인 예측 간에 상호 억제적인 관계를 유도하는 새로운 적대적 목적함수를 갖는다. 본 연구에서는 실용적인 조건 하에서 이 방법이 결합 분포 정렬을 촉진할 수 있는 미니맥스 게임(minimax game)을 정의함을 보여준다. 전통적인 폐쇄 집합 도메인 적응 외에도, DADA는 매우 도전적인 문제 설정인 부분 집합(partial set) 및 개방 집합(open set) 도메인 적응에까지 확장하였다. 실험 결과를 통해 제안한 방법의 효과성을 입증하였으며, 기준 데이터셋에서 세 가지 설정 모두에 대해 새로운 최고 성능(SOTA, state-of-the-art)을 달성하였다.