Zentrale State-of-the-Art-Algorithmen zur Domänenverallgemeinerung neigen dazu, die Annahme semantischer Invarianz über Domänen hinweg zu priorisieren. Gleichzeitig wird die inhärente intra-domänale Stilinvarianz häufig unterschätzt und vernachlässigt. In diesem Artikel zeigen wir, dass die Nutzung der intra-domänalen Stilinvarianz ebenfalls von entscheidender Bedeutung für die Effizienz der Domänenverallgemeinerung ist. Wir bestätigen, dass es für das Netzwerk entscheidend ist, informativ bezüglich derjenigen Merkmale zu sein, die in Bezug auf ihre Invarianz und Gemeinsamkeit zwischen Instanzen über Domänen hinweg bestehen, damit das Netzwerk sein Verständnis schärft und seine semantische Unterscheidungskraft verbessert. Dementsprechend schlagen wir auch einen neuen „Jury“-Mechanismus vor, der sich als besonders wirksam erweist, um nützliche semantische Merkmalsgemeinsamkeiten zwischen Domänen zu lernen. Unser vollständiges Modell, STEAM, kann als ein neuartiges probabilistisches graphisches Modell interpretiert werden, dessen Implementierung bequeme Konstruktionen zweier Arten von Speicherbanken erfordert: einer semantischen Merkmalsbank und einer Stilmerkmalsbank. Empirische Ergebnisse zeigen, dass unser vorgeschlagenes Framework die State-of-the-Art-Methoden deutlich übertrifft.