نقدم إطارًا توليديًا قائمًا على التكيف النطاقي لتعلم الصفر. يعالج هذا الإطار مشكلة الاختلاف النطاقي بين توزيعات الفئات المعروفة وغير المعروفة في تعلم الصفر ويقلل من هذا الاختلاف من خلال تطوير نموذج توليدي يتم تدريبه عبر التكيف النطاقي المعاكس. تعتمد طريقتنا على التعلم الشامل لتوزيعات الفئات المعروفة وغير المعروفة. لتمكين النموذج من تعلم توزيعات الفئات غير المعروفة، نقوم بتوظيف هذه التوزيعات بناءً على معلومات الخصائص الفئوية (وهي متاحة لكل من الفئات المعروفة وغير المعروفة). هذا يوفر طريقة بسيطة للغاية لتعلم توزيع أي فئة غير معروفة، مع وجود معلومات الخصائص الفئوية فقط ولا يوجد بيانات تدريبية مصنفة. يؤدي تدريب هذا النموذج باستخدام التكيف النطاقي المعاكس أيضًا إلى زيادة المتانة ضد عدم التطابق في التوزيع بين البيانات من الفئات المعروفة وغير المعروفة. كما أن طريقتنا توفر طريقة جديدة لتدريب تصنيفات الشبكات العصبية للتغلب على مشكلة المركزية في تعلم الصفر. من خلال مجموعة شاملة من التجارب، نظهر أن نموذجنا يحقق دقة أعلى مقارنة بأنماط التعلم الصفرية الرائدة الأخرى، على مجموعة متنوعة من مجموعات البيانات المرجعية. يمكن الحصول على الكود المستخدم في التجارب من github.com/vkkhare/ZSL-ADA.