تستفيد الدراسات الحديثة في التكيّف بين المجالات من التدريب العدواني للحصول على تمثيلات مميزة لا تعتمد على المجال من خلال التعلم المشترك بين شبكة استخراج الميزات وشبكة مميزة المجال. ومع ذلك، تُظهر الطرق العدوانية للتكيّف أداءً غير مثالي، نظرًا لأنها تحاول مطابقة التوزيعات بين المجالات دون أخذ المهمة المطلوبة بعين الاعتبار. نقترح طريقة "إسقاط للتكيّف" (Drop to Adapt - DTA)، التي تستفيد من التقطيع العدواني لتعلم ميزات قوية التمييز من خلال تطبيق افتراض المجموعة (cluster assumption). وبهذا، نصمم دوالًا موضوعية لدعم التكيّف بين المجالات بشكل موثوق. نُظهر فعالية الطريقة المقترحة من خلال تجارب متنوعة، ونحقق تحسينات مستمرة في مهام تصنيف الصور وتقسيم الدلالة. يُمكن الوصول إلى الشفرة المصدرية الخاصة بنا عبر الرابط التالي: https://github.com/postBG/DTA.pytorch.