立场检测的对抗领域适应
本文深入分析了 16 个不同领域的看法检测数据集，探索了跨领域学习的可能性，并提出一种端到端的无监督框架，结合了混合专家和领域对抗训练技术与标签嵌入，对强基线在领域内和领域外的预测获得了显著的性能提升，并对跨领域结果进行了详尽的分析，突出了影响模型性能的重要因素。
Apr, 2021
本研究探讨了目标领域差异对于对未见目标进行立场检测的影响，并采用基于注意力机制的条件编码以及对抗领域泛化技术进行研究。实验结果表明，我们的方法在 SemEval-2016 数据集上取得了新的最先进性能，从而证明了目标领域差异在未见目标立场检测中的重要性。
Oct, 2020
通过对比学习和反事实生成引入了一种新颖的领域自适应跨目标立场检测模型 STANC-C3，利用反事实数据增强培训过程中的目标领域数据集，并且需要更少来自新领域的信息，通过在多个数据集上的实验，表明 STANC-C3 相对于现有的最先进的方法显示了性能的提升。
Sep, 2023
本文研究了跨语言立场检测，提出了一种新颖的对抗语言适应方法应用于记忆网络，确保源语言和目标语言之间的立场对齐，可以有效地处理目标语言中标注数据有限的挑战。实验结果表明，与当前最先进的方法相比，该方法的有效性得到了证明。
Oct, 2019
本文提出了一种基于双视图适应网络的领域自适应方法，通过识别领域间语言表达不同的立场表达类型，并将其分别学习适应，进而结合两个视图的部分最佳适应部分，以提高不同域中的立场数据匹配，进而提升单一视图状态下的方法。
Mar, 2020
本论文旨在将英语在反谬误领域的研究成果转移到其他语言上，提出了一种利用领域自适应技术的黑盒式非侵入式方法，通过对低质量数据集的监督与非监督学习使领域差距减小，在不需要人类专家的情况下，可在 Zulu 语言的立场检测方面达到与英语类似的结果，并提供了 Zulu 语言的数据集。实验结果表明，利用英语数据集和机器翻译技术可提高英语数据以及其他语言的性能。
May, 2022
提出一种名为 TESTED 的主题效率舆论检测方法，采用主题引导多样性采样技术和对比学习目标，可有效解决多领域舆论检测中的主题检测、领域自适应和类别不平衡问题。该方法不仅在同一主题内具有优异的表现，还在新主题下表现出极强的泛化性能，同时使用少量数据即可达到很好的效果，并可减轻不同标签标注之间的差异。
Jun, 2023
本研究提出并实现了一个以多数据集学习及迁移学习为基础的立场检测基准测试集，强调了多任务学习方法中健壮性和去偏差策略的必要性，并针对所提出的基准测试集进行了分析和讨论。
Jan, 2020