本文提出了 CAN-CNN 模型，利用 Category Attention Network 和 Convolutional Neural Network 自动捕捉领域共享的情感词和领域特定的情感词，以改进领域适应的性能，并获得了比其他基线模型更好的结果。

Dec, 2021

我们提出了使用关系图卷积网络（RGCNs）进行情感分析的方法，该方法通过捕捉作为图中节点表示的数据点之间的依赖关系，提供了解释性和灵活性。通过在亚马逊和 Digikala 数据集上使用预训练的语言模型（如 BERT 和 RoBERTa）与 RGCN 架构进行产品评论的情感分析，并评估结果，我们证明了我们方法的有效性。我们的实验证明了 RGCNs 在捕捉情感分析任务的关系信息方面的有效性。

Apr, 2024

本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

Mar, 2021

本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

Sep, 2019

本研究探索了带门控的 Transformer Networks 的时间序列分类问题，我们展示了 GTN 在多元时间序列分类任务上的自然有效性，并且在 13 个数据集上进行了实验证明 GTN 可以达到具有竞争力的结果。我们还探究了 GTN 的注意力图以提高时间序列建模的自然解释性。

Mar, 2021

本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。

Apr, 2023

本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

Dec, 2014

通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

Sep, 2019

本文提出了一种基于深度卷积神经网络的领域自适应方法，在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果，其中引入了两个主要组件，一个是自动计算源样本分配到潜在领域的支路，另一个是利用领域成员信息对齐 CNN 内部特征表示分布的新型图层。

May, 2018

该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

May, 2020