本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

Aug, 2022

本文介绍了一个关于在情感分析中领域适应的研究。我们对领域相似度度量进行了广泛的研究，提出了新的表示方法、度量方法和数据选择。在推文和评论的大规模多领域适应设置中，我们评估了所提出的方法，并证明了它们一致地优于强随机和平衡的基线方法，而我们的选择策略优于实例级选择，并在大型评论语料库上获得了最佳分数。

Feb, 2017

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019

本文提出了一种新的学习范式，即模拟 - 分析 - 减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

Apr, 2023

本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

Aug, 2019

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

本文提出一种面向跨域情感分类问题的方法，该方法采用半监督学习的想法，联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明，该方法可以更好地利用来自目标域的未标记数据，在各种实验设置中都取得了重大改进。

Sep, 2018

研究通过因果推论来解决领域适应问题，并提出了一种不依赖先前的因果结构和干预目标的方法，该方法可实现对目标变量在多个领域中的分布进行预测。

Jul, 2017

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的 CIRM 方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 2020

通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。

Jun, 2018