التكيف البصري بين المجالات يهدف إلى تعلم تصنيفات قوية للمجال المستهدف من خلال الاستفادة من المعرفة الموجودة في المجال المصدر. الطرق الحالية إما تحاول مواءمة التوزيعات بين المجالات، أو تقوم بتعلم فضاء الفراغات المتعددة الأبعاد. ومع ذلك، هناك تحديان مهمان: (1) التحويل المتدني للسمات، مما يعني أن مواءمة التوزيع غالباً ما تتم في الفضاء الأصلي للسمات، حيث يكون من الصعب التغلب على تشوهات السمات. ومن ناحية أخرى، فإن تعلم الفراغات المتعددة الأبعاد غير كافٍ لتقليل الاختلاف في التوزيع. (2) عدم تقييم مواءمة التوزيع، مما يعني أن طرق مواءمة التوزيع الحالية توازن فقط بين التوزيع الهامشي والتوزيع الشرطي بنفس الدرجة من الأهمية، بينما لا تستطيع تقدير الأهمية المختلفة لهذين التوزيعين في التطبيقات الحقيقية.في هذا البحث، نقترح نهج "مواءمة التوزيع المضمنة بالفراغ المتعدد الأبعاد" (Manifold Embedded Distribution Alignment - MEDA) لمعالجة هذه التحديات. يقوم MEDA بتعلم تصنيف متغير بين المجالات في فراغ غراسمان مع تقليل المخاطر الهيكلية، وفي الوقت نفسه يقوم بمواءمة توزيع ديناميكية لتقييم الكمية النسبية لأهمية التوزيع الهامشي والتوزيع الشرطي. حسب علمنا، يعتبر MEDA أول محاولة لتنفيذ مواءمة توزيع ديناميكية للتكيف البصري بين الفراغات المتعددة الأبعاد. أظهرت التجارب الواسعة أن MEDA حقق تحسينات كبيرة في دقة التصنيف مقارنة بالطرق التقليدية والعميقة الأكثر حداثة.