تهدف التكيف غير المراقب للنطاق إلى معالجة مشكلة تصنيف العينات غير المُصنفة من النطاق الهدف، في حين أن العينات المصنفة متوفرة فقط من النطاق المصدري، ويتباين توزيع البيانات بين هذين النطاقين. نتيجة لذلك، تُعاني النماذج المدربة على العينات المصنفة من النطاق المصدري من انخفاض كبير في الأداء عند تطبيقها مباشرة على عينات النطاق الهدف. ولحل هذه المشكلة، تم اقتراح عدة طرق لتعلم ميزات غير مرتبطة بالنطاق أو تصنيفات خاصة بالنطاق. وفي كلتا الحالتين، قد يشكل نقص العينات المصنفة في النطاق الهدف مشكلة، والتي تُعالج عادةً من خلال تقنية تسمية التخمين (التصنيف الافتراضي). ومع ذلك، قد يؤدي التصنيف الافتراضي غير الدقيق إلى تراكم خطأ كارثي أثناء التعلم. في هذا البحث، نقترح استراتيجية جديدة لاختيار التصنيف الافتراضي تعتمد على التنبؤ الهيكلي. وتستمد فكرة التنبؤ الهيكلي دافعها من حقيقة أن العينات في النطاق الهدف تتجمع بشكل جيد داخل فضاء الميزات العميقة، مما يسمح باستخدام تحليل التجميع غير المراقب لتسهيل التصنيف الافتراضي الدقيق. وقد أكدت النتائج التجريبية على أربع مجموعات بيانات (ألا وهي: Office-Caltech، Office31، ImageCLEF-DA، وOffice-Home) أن أسلوبنا يتفوق على الطرق المعاصرة الأفضل في مجالها.