بالنظر إلى أمثلة مُعلّمة في مجال مصدر ونماذج غير مُعلّمة في مجال مستهدف، يهدف التكيّف غير المُراقب بين المجالات إلى تعلّم تصنيف لمهام يمكنه تصنيف النماذج المستهدفة بشكل جيد. تعتمد التطورات الحديثة على التدريب المُعادٍ للمجالات في الشبكات العميقة لتعلم ميزات غير مرتبطة بالمجال. ومع ذلك، بسبب مشكلة الانهيار النمطي الناتجة عن التصميم المنفصل لفئات المهمة وفئات المجال، تُعد هذه الطرق محدودة في محاذاة التوزيعات المشتركة للميزات والتصنيفات عبر المجالات. وللتغلب على هذه المشكلة، نقترح طريقة جديدة للتعلّم المُعادٍ تُسمى التكيّف المُعادٍ التمييزي بين المجالات (DADA). تعتمد DADA على تصنيف مدمج يجمع بين الفئة والمجال، وتملك هدفًا مُعادًا جديدًا يشجع على علاقة تثبيط متبادل بين التنبؤات الفئوية والتوقعات المتعلقة بالمجال بالنسبة لأي مثال مدخل. نُظهر أنه تحت الظروف العملية، يُعرّف هذا النموذج لعبة ماكسيمِن-مِنيمُم يمكنها تعزيز محاذاة التوزيعات المشتركة. وبالإضافة إلى التكيّف بين المجالات المغلقة التقليدية، نوسع DADA أيضًا لمعالجة مسائل صعبة للغاية تشمل التكيّف الجزئي والمفتوح للمجالات. تُظهر التجارب فعالية الطرق المقترحة، ونحقق الحالة الفنية الأحدث في جميع الظروف الثلاثة على مجموعات البيانات القياسية.