التكيف غير المشرف بين المجالات يهدف إلى نقل المعرفة من مجال المصدر إلى مجال الهدف بحيث يمكن التعرف على بيانات مجال الهدف دون الحاجة إلى أي معلومات تسمية صريحة لهذا المجال. أحد حدود إعداد المشكلة هو أن بيانات الاختبار، رغم عدم وجود العلامات عليها، من مجال الهدف مطلوبة أثناء التدريب، مما يمنع تطبيق النموذج المدرب مباشرة لتصنيف حالات الاختبار الغير مرئية. نقوم بصياغة مشكلة تصنيف جديدة عبر المجالات تنبع من السيناريوهات الحقيقية حيث تكون البيانات المسمى متاحة لمجموعة فرعية من الفئات (الفئات المعروفة) في مجال الهدف، ونتوقع التعرف على عينات جديدة تنتمي إلى أي فئة (معروفة وغير معروفة) بمجرد تعلم النموذج. هذه هي مشكلة التعلم الصفرية العامة حيث المعلومات الجانبية تأتي من مجال المصدر على شكل عينات مسمى بدلاً من التمثيلات الدلالية على مستوى الفئة التي يتم استخدامها بشكل شائع في التعلم الصفرية التقليدية. نقدم إطارًا موحدًا للتكيف بين المجالات لكل من ظروف التعلم غير المشرف والتعلم الصفرية. طريقة عملنا تعتمد على تعلم فضاء مشترك من مجال المصدر ومجال الهدف بحيث يمكن أن تكون الإسقاطات لكلا البيانات في هذا الفضاء ثابتة للمجال وسهله الفصل. نستخدم تقنية الإسقاط المحافظ على الجوار المشرف (SLPP) كتقنية تمكين ونقوم بإجراء التجارب تحت كل من ظروف التعلم غير المشرف والتعلم الصفرية، مما أدى إلى تحقيق نتائج رائدة على ثلاث مجموعات Benchmarks للتكيف بين المجالات: Office-Caltech، Office31 وOffice-Home.