نقدم طريقة لنقل التمثيلات العصبية من المجالات المصدر الغنية بالتصنيفات إلى المجالات الهدف غير المصنفة. تعلم الأساليب المعادية الحديثة المقترحة لهذه المهمة محاذاة الخصائص عبر المجالات عن طريق خداع شبكة نقد خاصة (Domain Critic Network). ومع ذلك، فإن عيب هذا النهج هو أن النقد يصنف الخصائص المُنشَأة ببساطة كأنها داخل المجال أو خارجه، دون النظر إلى الحدود بين الفئات. يمكن أن يؤدي هذا إلى إنشاء خصائص غامضة بالقرب من حدود الفئات، مما يقلل من دقة تصنيف الهدف. نقترح نهجًا جديدًا، وهو التنظيم المعادي للانقطاع (Adversarial Dropout Regularization - ADR)، لتحفيز المولد على إنتاج خصائص أكثر تمييزًا للمجال الهدف. الفكرة الأساسية لدينا هي استبدال النقد بشبكة تكشف عن الخصائص غير التمييزية باستخدام الانقطاع (Dropout) في شبكة المصنف. ثم يتعلم المولد تجنب هذه المناطق في فضاء الخصائص وبالتالي ينشئ خصائص أفضل. نطبق نهجنا ADR على مشكلة التكيف بين المجالات بدون إشراف في مهام تصنيف الصور وتقسيم الدلالات (Semantic Segmentation)، ونظهر تحسينًا كبيرًا على أحدث التقنيات. كما نوضح أن نهجنا يمكن استخدامه لتدريب شبكات التعلم المعادية التوليدية (Generative Adversarial Networks - GANs) للتعلم شبه الإشرافي.