التكيف بين المجالات يمكّن المتعلم من التعميم بأمان في بيئات جديدة من خلال تخفيف الاختلافات بين التوزيعات. قد لا تكون الأعمال السابقة فعالة بشكل كافٍ في الكشف عن الأسباب الأساسية التي تؤدي إلى الانخفاض الحاد في أداء النموذج على المهمة المستهدفة. في هذا البحث، نكشف بطرق تجريبية أن التمييز غير المنتظم للمجال المستهدف ينبع أساسًا من صغر قيم المعايير الخاصة بالسمات مقارنة بالمجال المصدر. لذا، نقترح طريقة جديدة وبدون معلمات تُعرف باسم الطريقة التكيفية للمعايير الخاصة بالسمات (Adaptive Feature Norm). نوضح أن تكييف المعايير الخاصة بالسمات بين المجالين بشكل تدريجي إلى نطاق كبير من القيم يمكن أن يؤدي إلى مكاسب نقل كبيرة، مما يشير إلى أن تلك السمات المرتبطة بالمهمة والتي لها معايير أكبر هي الأكثر قابلية للنقل. طرقنا تنجح في توحيدها حساب التكيف الكامل والجزئي بين المجالات مع زيادة متانة الأداء ضد مشكلة النقل السلبي. بدون تعقيدات إضافية ولكن ببضع سطور من الشفرة البرمجية، ترفع طرقنا الأداء بشكل كبير على المهمة المستهدفة وتتفوق على أفضل الأساليب الحالية بمقدار كبير (11.5% على Office-Home و17.1% على VisDA2017). نأمل أن تسهم طريقتنا البسيطة ولكن الفعالة في إلقاء بعض الضوء على البحث المستقبلي حول التعلم عبر النقل. الرمز البرمجي متاح على https://github.com/jihanyang/AFN.