أظهرت طرق التعلم العميق الوعد في التكيف غير المشرف بين المجالات، والتي تهدف إلى الاستفادة من مجال مصدر مصنف لتعلم تصنيف لمجال الهدف غير المصنف ذو التوزيع المختلف. ومع ذلك، فإن هذه الطرق عادةً ما تتعلم فضاء تمثيل ثابت بين المجالات لتوفيق التوزيعات الحاشية للمجالين المصدر والهدف، بينما تتجاهل الهياكل الدقيقة المستوى. في هذا البحث، نقترح " توفيق العنقود مع المعلم" (Cluster Alignment with a Teacher - CAT) للتكيف غير المشرف بين المجالات، والذي يمكنه دمج هياكل العنقود التمييزية في كلا المجالين بشكل فعال لتحقيق تكيف أفضل. من الناحية التقنية، يستخدم CAT نموذج معلم ضمنيًا لاكتشاف بنية الفئات المشروطة في فضاء الخصائص لمجال الهدف غير المصنف بشكل موثوق. ثم يجبر CAT خصائص كل من المجالين المصدر والهدف على تشكيل عناقيد فئات مشروطة تمييزية وتوافق العناقيد المقابلة عبر المجالات. أثبتت النتائج التجريبية أن CAT يحقق نتائج رائدة في عدة سيناريوهات للتكيف غير المشرف بين المجالات.