نقترح تقنية جديدة للتكيف بين المجالات تُعرف بـ "التكيف الترابطي بين المجالات" (associative domain adaptation)، وهي تقنية لتكيف المجالات من النهاية إلى النهاية باستخدام الشبكات العصبية، والتي تهدف إلى استنتاج تصنيفات للبيانات في المجال المستهدف غير المصنفة بناءً على الخصائص الإحصائية للمجال الأصلي المصنف. تتبع خطة التدريب لدينا المنهج القائل بأن من أجل استنتاج تصنيفات فعالة للمجال المستهدف، يجب على الشبكة أن تنتج تمثيلات متجانسة إحصائيًا بين المجالين، مع الحد من خطأ التصنيف في المجال الأصلي المصنف. نحقق هذا الهدف من خلال تعزيز العلاقات بين بيانات المصدر والبيانات المستهدفة مباشرة في فضاء التمثيل. يمكن إضافة طريقتنا بسهولة إلى أي شبكة تصنيف قائمة دون الحاجة إلى تعديل هيكلها وبدون زيادة كبيرة في الحسابات. نوضح فعالية نهجنا من خلال اختباره على مجموعة متنوعة من المقاييس القياسية ونحقق أفضل النتائج في جميع الحالات باستخدام هندسة عامة للشبكات العصبية المتلافهة (convolutional neural network) لم يتم ضبطها بشكل خاص لهذه المهام. أخيرًا، نبين أن الخسارة الترابطية المقترحة تنتج تمثيلات أكثر فعالية لتكيف المجالات مقارنة بالطرق التي تستعمل الاختلاف المتوسط الأقصى كمقياس للتشابه في فضاء التمثيل.