في هذا البحث، نهدف إلى حل مشكلة التكيف غير المشرف بين المجالات (الدومينات) للتصنيفات حيث لدينا إمكانية الوصول إلى معلومات التسمية للمجال المصدر بينما هذه المعلومات غير متاحة للمجال الهدف. رغم اقتراح العديد من الأساليب لحل هذه المشكلة، بما في ذلك الأساليب المعتمدة على التمييز الخصامي (adversarial discriminator)، فإن معظم النهج ركزت على التكيف بين المجالات على أساس الصور الكاملة. في صورة، قد تكون هناك مناطق يمكن تكييفها بشكل أفضل، مثل أن يكون الكائن في المقدمة متشابهًا بطبيعته. للحصول على مثل هذه المناطق، نقترح أساليب تأخذ بعين الاعتبار تقدير اليقين الاحتمالي لمناطق مختلفة وتحدد التركيز عليها أثناء التصنيف للتكييف. نلاحظ أنه بمجرد دمج تقدير اليقين الاحتمالي للتمييز أثناء تدريب المصنف، نتمكن من الحصول على نتائج رائدة في مجالها على مختلف المجموعات的数据集 (datasets) بالمقارنة مع جميع الأساليب الحديثة. نقدم تحليلًا تجريبيًا شاملًا للطريقة من خلال توفير تحليل الاستبعاد (ablation analysis)، اختبار الدلالة الإحصائية (statistical significance test)، وتصور خرائط الاهتمام والتضمينات t-SNE. هذه التقييمات تثبت بشكل مقنع فعالية النهج المقترح.注：在阿拉伯语中，"数据集" 通常翻译为 "مجموعات البيانات"。因此，上文中的 "数据集" 已经被翻译为 "مجموعات البيانات"。修正后的翻译：في هذا البحث، نهدف إلى حل مشكلة التكيف غير المشرف بين المجالات (الدومينات) للتصنيفات حيث لدينا إمكانية الوصول إلى معلومات التسمية للمجال المصدر بينما هذه المعلومات غير متاحة للمجال الهدف. رغم اقتراح العديد من الأساليب لحل هذه المشكلة، بما في ذلك الأساليب المعتمدة على التمييز الخصامي (adversarial discriminator)، فإن معظم النهج ركزت على التكيف بين المجالات على أساس الصور الكاملة. في صورة، قد تكون هناك مناطق يمكن تكييفها بشكل أفضل، مثل أن يكون الكائن في المقدمة متشابهًا بطبيعته. للحصول على مثل هذه المناطق، نقترح أساليب تأخذ بعين الاعتبار تقدير اليقين الاحتمالي لمناطق مختلفة وتحدد التركيز عليها أثناء التصنيف للتكييف. نلاحظ أنه بمجرد دمج تقدير اليقين الاحتمالي للتمييز أثناء تدريب المصنف، نتمكن من الحصول على نتائج رائدة في مجالها على مختلف مجموعات البيانات بالمقارنة مع جميع الأساليب الحديثة. نقدم تحليلًا تجريبيًا شاملًا للطريقة من خلال توفير تحليل الاستبعاد (ablation analysis)، اختبار الدلالة الإحصائية (statistical significance test)، وتصور خرائط الاهتمام والتضمينات t-SNE. هذه التقييمات تثبت بشكل مقنع فعالية النهج المقترح.