本文研究了支持态度检测的新方法，使用了基于机器学习的自适应领域转换模型，证明了其在不同领域下的检测效率。

Feb, 2019

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

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

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

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

本文提出了一种新颖的能够同时模拟几何空间和出现空间中的跨域移位的几何感知域自适应网络 (GA-DAN)，并可在具有非常不同特征的不同领域之间实现逼真的图像转换。在所提出的 GA-DAN 中，设计了一种新颖的多模态空间学习技术，它将源域图像转换为目标域中不同空间视图的多个图像。还引入了一种新的分离循环一致性损失 (loss)，来平衡外观空间和几何空间的循环一致性，并大大提高整个网络的学习性能，该 GA-DAN 在经典场景文本检测和识别任务中进行了评估，实验证明，在应用于网络训练时，域适应图像可以实现更好的场景文本检测和识别性能。

Jul, 2019

通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在 20 个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。

Jun, 2018