我们提出了一种称为正则化条件对齐 (RCA) 的方法，通过对领域和类别的联合分布进行对齐，来匹配相同类别中的特征并增强获取的特征的判别能力，同时还利用熵最小化和虚拟对抗训练来限制未标记数据的预测不确定性并增强模型的鲁棒性。在两个基准数据集上的实证结果表明，我们的 RCA 方法优于最先进的多领域文本分类技术。

Dec, 2023

本文提出了一种新颖的双对抗协同学习方法，用于多领域文本分类，该方法利用共享 - 私有网络进行特征提取，并在不同域和标签与未标签数据同时下采用双重对抗正则化来对齐特征，并旨在通过所学习的特征来提高分类器的泛化能力。我们在多领域情感分类数据集上进行了实验，结果表明所提出的方法达到了目前最先进的多领域文本分类性能。

Sep, 2019

多领域文本分类（MDTC）是利用相关领域的可用资源来提高目标领域的分类准确性。本研究提供了关于 MDTC 的理论分析，将其分解为多个领域适应任务，并以边缘差异作为领域差异的度量，建立了一个基于 Rademacher 复杂度的新的泛化界限，并提出了基于边缘差异的对抗训练（MDAT）方法以验证其有效性。实验证明，我们的 MDAT 方法在两个 MDTC 基准上超过了先前的方法。

Mar, 2024

本研究提出了一个名为 MRAN 的混合正则化对抗网络，通过引入领域和类别的混合正则化来增强共享潜在空间内在特征，并在训练实例之间强制执行一致的预测，以使学习到的特征更具领域内部不变性和区分性，实验结果表明对于 Amazon 评论数据集和 FDU-MTL 数据集分别获得了 87.64％和 89.0％的平均准确率，优于所有相关基线模型。

Jan, 2021

本文提出一种多项式对抗网络（MAN）用于处理多域文本分类问题（MDTC）， MAN 学习在多个域上保持不变的特征，并通过减少每个域特征分布之间的差异来实现。MAN 在实验中取得了显著的性能提升，并且在无标签数据的域中达到了最先进的性能水平。

Feb, 2018

介绍了 Stochastic Adversarial Network (SAN)，通过引入多元高斯分布模型领域特定特征提取器的参数，与传统的权重向量不同，可生成许多领域特定特征提取器而不增加模型参数，同时结合域标签平滑和健壮的伪标签正则化以提高对抗训练的稳定性和特征区分能力，在两个主要的多领域文本分类基准测试上表现出竞争优势。

May, 2024

该研究提出了一种旨在通过监督对比学习将多个领域的文本分类特征对齐到同一特征空间中的稳健对比对齐方法，以实现多领域文本分类，消除了新兴领域增多带来的效率低下问题，从而只需两个通用特征提取器。实验结果表明，该方法在多个领域中效果良好。

Apr, 2022

本文提出了条件对抗网络 (CANs) 框架，旨在探索共享特征和标签预测之间的关系，以对共享特征施加更多的可辨识性，用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器，同时对共享特征表示和类别感知信息建模，采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析，证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此，CAN 是一个理论上良好的对抗网络，其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明，CAN 优于之前的方法。进一步的实验表明，CAN 具有将学习到的知识推广到未见领域的良好能力。

Feb, 2021

提出了一种基于双混合正则化学习（DMRL）的无监督域自适应方法，采用判别器辅助分类器训练，通过混合正则化促进模型对于样本和特征的分类和对于域变量的鲁棒性，实验结果表明该方法在四个域适应基准上实现了最先进结果。

Jul, 2020

本研究提出了一种针对无监督域自适应机器阅读理解的方法，其中源域有大量标记数据，而目标域只有未标记数据。该方法使用敌对领域自适应框架（AdaMRC），生成虚拟问题并结合领域分类器进行压缩编码，经过对抗学习实现域不变表示学习，具有普适性、可以与预训练的大规模语言模型相结合，并可扩展到半监督学习。

Aug, 2019