تعتبر هذه الدراسة مشكلة التكيف بين المجالات بدون إشراف في مجال إعادة تعريف الشخص (إعادة التعرف على الهوية)، والتي تهدف إلى نقل المعرفة من المجال المصدر إلى المجال الهدف. تركز الأساليب الحالية بشكل أساسي على تقليل الاختلاف بين المجالات، ولكنها غالبًا ما تغفل عن العلاقات بين العينات في المجال الهدف. يتناول هذا البحث التباينات داخلية في المجال الهدف ويقترح إطارًا جديدًا للتكيف يتعلق بأنواع ثلاثة من الثبات الكامن، وهي: الثبات النموذجي (Exemplar-Invariance)، الثبات الكاميري (Camera-Invariance)، والثبات الجواري (Neighborhood-Invariance). بصفة خاصة، تم تقديم ذاكرة النماذج لتخزين خصائص العينات، مما يمكن من فرض قيود الثبات بشكل فعال وكفء على مجموعة البيانات العالمية. كما قمنا بتقديم طريقة التنبؤ الإيجابي القائمة على الرسم البياني (Graph-based Positive Prediction - GPP) لاكتشاف الجيران الموثوق بهم للمجال الهدف، والتي تعتمد على الذاكرة وتتم تدريبها باستخدام العينات المصدر. أظهرت التجارب أن: 1) الخصائص الثلاثة للثبات ضرورية لتحقيق التكيف الفعال بين المجالات، 2) تقوم الذاكرة بدور حاسم في تنفيذ تعلم الثبات وتحسن الأداء مع زيادة محدودة في تكلفة الحسابات الإضافية، 3) يمكن لطريقة GPP أن تسهل عملية تعلم الثبات وبالتالي تحسن النتائج بشكل كبير، و4) ينتج نهجنا دقة جديدة رائدة في التكيف على ثلاثة مقاييس كبيرة لإعادة تعريف الشخص (إعادة التعرف على الهوية).