التكيف غير المشرف بين المجالات (UDA) يقوم بعمل تنبؤات للبيانات في المجال المستهدف بينما تكون التسميات اليدوية متاحة فقط في المجال الأصلي. قد تؤدي الأساليب السابقة التي تقلل من الاختلاف بين المجالين دون مراعاة معلومات الفئات إلى عدم توافق وإلى أداء عام ضعيف. لحل هذه المشكلة، يقترح هذا البحث شبكة التكيف التباينية (CAN) التي تقوم بتحسين مقياس جديد يُظهر صراحة الاختلاف داخل الفئة بين المجالات والاختلاف بين الفئات. لقد صممنا استراتيجية تحديث بديلة لتدريب الشبكة CAN بطريقة شاملة من النهاية إلى النهاية. أثبتت التجارب على مقعدين قياسيين حقيقيين هما Office-31 و VisDA-2017 أن الشبكة CAN تتفوق على أفضل الأساليب الحالية وتنتج خصائص أكثر تمييزًا.