تهدف التكيف غير المراقب للنطاق (UDA) إلى استغلال المعرفة المكتسبة من مجموعة بيانات مصدر مُعلَّمة لحل مهام مشابهة في نطاق جديد غير مُعلَّم. غالبًا ما تتطلب الأساليب السابقة لـ UDA الوصول إلى بيانات المصدر أثناء عملية تكييف النموذج، مما يجعلها محفوفة بالمخاطر وغير فعالة في حالة البيانات الخاصة اللامركزية. تتناول هذه الدراسة بيئة عملية تتوفر فيها فقط نموذج مصدر مُدرَّب، وتحاول استكشاف كيفية الاستفادة الفعالة من هذا النموذج دون الحاجة إلى بيانات المصدر لحل مشاكل UDA. نقترح إطارًا بسيطًا ولكنه عام لتعلم التمثيل، يُسمى \emph{نقل فرضية المصدر} (SHOT). يثبّت SHOT وحدة التصنيف (الفرضية) في نموذج المصدر، ويدرّس وحدة استخلاص الميزات المخصصة للنطاق الهدف من خلال استغلال كلا من تحسين المعلومات وتموضع التسميات الوهمية ذاتية التدريب، بهدف محاذاة التمثيلات من النطاق الهدف بشكل ضمني مع فرضية المصدر. ولإثبات مرونته، نقوم بتقييم SHOT في مجموعة متنوعة من حالات التكيف، بما في ذلك التكيف المغلق، الجزئي، والمنفتح. تشير النتائج التجريبية إلى أن SHOT تحقق أداءً متقدمًا على مستوى الحالة الحالية في عدة معايير للتكيف بين النطاقات.