Les algorithmes d’état de l’art courants en généralisation de domaine privilégient généralement l’hypothèse d’invariance sémantique entre les domaines. En revanche, l’invariance intrinsèque de style au sein d’un même domaine est souvent sous-estimée et négligée. Dans cet article, nous démontrons que l’exploitation de l’invariance de style intradomaine est également d’une importance capitale pour améliorer l’efficacité de la généralisation de domaine. Nous montrons que l’information fournie par le réseau sur les caractéristiques propres au domaine qui sont invariantes et partagées entre les instances est essentielle, afin que le réseau affine sa compréhension et renforce sa capacité discriminante sur le plan sémantique. En conséquence, nous proposons un mécanisme novateur, baptisé « jury », particulièrement efficace pour apprendre des similarités sémantiques utiles entre les domaines. Notre modèle complet, nommé STEAM, peut être interprété comme un nouveau modèle graphique probabiliste, dont l’implémentation repose sur la construction pratique de deux types de mémoires : une banque de caractéristiques sémantiques et une banque de caractéristiques de style. Les résultats expérimentaux montrent que notre cadre proposé dépasse clairement les méthodes d’état de l’art.