เปรียบเทียบวิธี

	Domain-adaptive Convolutional Neural Network	โครงข่ายประสาทเทียมเวียนซ้ำแบบปรับโดเมน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015–2017	2010s
ผู้ริเริ่ม	Ganin, Y. & Lempitsky, V. (domain-adversarial framework); Tzeng et al. (ADDA)	Ganin et al.; Pan & Yang (domain adaptation frameworks applied to RNNs)
ประเภท	Domain-adaptive deep learning model	Domain-adaptive sequential model
แหล่งต้นตำรับ	Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35.	Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35.
ชื่อเรียกอื่น	DA-CNN, domain adaptation CNN, domain-adaptive deep convolutional network, CNN with domain adaptation	DA-RNN, domain-adaptive RNN, domain-adapted recurrent network, cross-domain RNN
ที่เกี่ยวข้อง	5	6
สรุป	A domain-adaptive CNN trains a convolutional network on a labeled source domain and adapts its learned feature representations to an unlabeled or lightly labeled target domain, bridging the distribution gap so that visual classifiers transfer reliably across datasets, sensors, or imaging conditions without full re-annotation.	A Domain-adaptive Recurrent Neural Network (DA-RNN) is a recurrent neural network trained on a source domain and adapted to a target domain using domain adaptation techniques such as adversarial training, feature alignment, or fine-tuning. It enables sequential models to generalise across domains when labeled target-domain data is scarce or unavailable.