نقدم نهجًا جديدًا للتعلم التمثيلي في مجال التكيف بين المجالات، حيث تأتي البيانات في مرحلتي التدريب والاختبار من توزيعات متشابهة ولكن مختلفة. يُلهم هذا النهج مباشرة من نظرية التكيف بين المجالات التي تقترح أن، لتحقيق نقل فعال بين المجالات، يجب إجراء التنبؤات بناءً على الخصائص التي لا تستطيع تمييز المجال الأصلي (المصدر) عن المجال المستهدف (الهدف). يتم تنفيذ هذا الفكرة في سياق هياكل الشبكات العصبية التي يتم تدريبها على بيانات مصنفة من المجال الأصلي وبيانات غير مصنفة من المجال المستهدف (لا حاجة لبيانات مصنفة من المجال المستهدف).مع تقدم عملية التدريب، يشجع النهج على ظهور خصائص تكون (أ) قادرة على تمييز المهمة الرئيسية للتعلم في المجال الأصلي و(ب) غير قادرة على تمييز الاختلاف بين المجالين. نوضح أن يمكن تحقيق هذا السلوك التكيفي في أي نموذج تقديمي تقريبًا بإضافة عدد قليل من الطبقات القياسية وطبقة عكس الدرجات الجديدة. يمكن تدريب الهيكل المعزز الناتج باستخدام التراجع الخلفي القياسي وتدرج الانحدار العشوائي، وبالتالي يمكن تنفيذه بجهد قليل باستخدام أي حزمة من حزم التعلم العميق.نثبت نجاح نهجنا في حل مشكلتين مختلفتين للتصنيف (تحليل المشاعر في الوثائق وتصنيف الصور)، حيث يتم تحقيق أداء متقدم في التكيف بين المجالات على مقاييس المعايير القياسية. كما نتحقق أيضًا من صحة النهج لمهمة تعلم الوصفاء في سياق تطبيق إعادة تعريف الشخص (Person Re-Identification).