主流の最先端ドメイン一般化アルゴリズムは、異なるドメイン間で共通する意味的不変性（semantic invariance）を重視する傾向にある。一方で、ドメイン内に内在するスタイル不変性（intra-domain style invariance）はしばしば軽視され、十分に活用されていない。本論文では、ドメイン内スタイル不変性を活用することが、ドメイン一般化の効率性を向上させる上で極めて重要であることを明らかにする。ネットワークが、どのドメイン特徴がインスタンス間で共有され、不変であるかを適切に把握できるようにすることが、ネットワークの理解力を高め、意味的判別能力を強化する上で不可欠であることを検証した。これに応じて、本研究では、複数ドメイン間で有用な意味的特徴の共通性を効果的に学習するための新しい「審議会（jury）」メカニズムを提案する。本研究で開発した完全なモデルであるSTEAMは、新たな確率的グラフィカルモデルとして解釈可能であり、実装上は2種類のメモリバンクを簡便に構築する必要がある：意味的特徴バンクとスタイル特徴バンク。実証的な結果から、提案するフレームワークが最先端手法を明確な差で上回ることを確認した。