生成对抗学习的主要任务是生成，即生成与真实数据同分布的数据。这与迁移学习的核心任务，即减少源域和目标域之间的数据分布差异不谋而合。将生成对抗学习用于深度神经网络的自适应迁移，就诞生了神经网络对抗迁移方法。该方法通过对抗学习使目标域数据分布与源域数据分布靠近，有效减少了源域和目标域之间的域偏移，成为当前深度迁移学习的主流方法之一。神经网络对抗迁移方法通常包括特征提取器（即生成器）和判别器两个基本模型。其中，判别器用来判断输入样本是来自源域还是来自目标域。特征提取器用来学习源域和目标域样本的特征表示，该特征表示具有域不变性，即使得判别器无法正确区分样本是来自源域还是来自目标域。通过特征提取器和判别器两者的对抗过程，源域和目标域的数据分布差异逐渐减少，直至判别器对任意输入样本均随机预测其域。此时，可以认为源域和目标域的数据分布相同，源域模型能很好地适应于目标域。

训练神经网络对抗迁移模型的目标函数通常由源域网络训练损失Lc和域对抗损失Ld组成，表示为(www.daowen.com)

其中，Xs为源域数据；Ys为源域数据标注；Xt为目标域数据；λ为平衡系数；Lc（Xs，Ys）与具体任务相关，例如在分类任务中，Lc（Xs，Ys）为源域数据的分类损失（通常为交叉熵损失），Ys为类别标签。Ld（Xs，Xt）负责特征提取器和判别器的对抗训练，其目标是尽可能减少源域和目标域的数据分布差异。下面介绍几种经典的神经网络对抗迁移方法。