تهدف التكيف غير المراقب للنطاق إلى نقل المعرفة من النطاق المُدرَّب (المصدر) إلى النطاق غير المُدرَّب (الهدف). تعتمد الطرق السابقة للتكيف المُناقض للنطاق بشكل رئيسي على استخدام مُميِّز ثنائي أو بـ $K$K أبعاد لتنفيذ التماثل الحاشي أو الشرطي بشكل منفصل. أظهرت تجارب حديثة أن عند تزويد المُميِّز بمعلومات النطاق في كلا النطاقين ومعلومات التصنيف في النطاق المصدر، يمكنه الحفاظ على المعلومات متعددة النماذج المعقدة والمعلومات الشكلية العالية في كلا النطاقين. واتباعًا لهذه الفكرة، نستخدم مُميِّزًا بـ $2K$2K أبعاد لتنفيذ التماثل على مستوى النطاق وعلى مستوى الفئة في آن واحد، من خلال مُميِّز واحد. ومع ذلك، لا يمكن لمُميِّز واحد فقط استيعاب كل المعلومات المفيدة عبر النطاقات، كما أن العلاقات بين الأمثلة وحدود القرار لم تُستكشف سابقًا بشكل واسع. مستوحى من التعلم متعدد المقاييس والتقدم الأخير في مجال التكيف للنطاق، وبالإضافة إلى العملية المُناقضة بين المُميِّز ومستخرج الميزات، نصمم آلية جديدة تجعل المُميِّزين اثنين يتنافسان مع بعضهما البعض، بحيث يُقدِّم كل منهما معلومات متنوعة للآخر ويُقلِّل من احتمال إنشاء ميزات للنطاق الهدف خارج نطاق الدعم الخاص بالنطاق المصدر. إلى حد علمنا، يُعد هذا أول تطبيق لاستراتيجية مُناقضة مزدوجة في مجال التكيف للنطاق. علاوةً على ذلك، نستخدم أيضًا تنظيم التعلم شبه المراقب لجعل التمثيلات أكثر تمييزًا. وتوحي النتائج الشاملة على مجموعتين من البيانات الواقعية بأن طريقة التكيف المُقترحة تتفوّق على عدة طرق حديثة متقدمة في مجال التكيف للنطاق.