يجب على أنظمة التعلم الآلي التكيّف مع توزيعات البيانات التي تتغير بمرور الوقت، وذلك في تطبيقات تمتد من شبكات الاستشعار ووحدات إدراك السيارات ذاتية القيادة إلى واجهات الدماغ والحاسوب. نتناول التكيّف التدريجي للمجال، حيث يكون الهدف هو تكييف تصنيف أولي تم تدريبه على مجال مصدر، بالاعتماد فقط على بيانات غير مُعلّمة التي تتغير تدريجيًا في توزيعها نحو مجال مستهدف. نُثبت أول حد أعلى غير تافه لخطأ التدريب الذاتي في ظل تغيرات تدريجية، ضمن بيئات يمكن فيها أن يؤدي التكيّف المباشر مع المجال المستهدف إلى خطأ غير محدود. تؤدي التحليل النظري إلى رؤى خوارزمية، تُبرز أن الت régularization وتحديث التسميات (label sharpening) يُعدان أساسيين حتى عند توفر كمية غير محدودة من البيانات، وتشير إلى أن التدريب الذاتي يعمل بشكل خاص جيدًا في حالات التغيرات ذات المسافة واسرستاين-اللانهاية (Wasserstein-infinity distance) الصغيرة. وباستغلال بنية التغير التدريجي، يتم تحقيق دقة أعلى على مجموعة بيانات MNIST الدوارة وعلى مجموعة بيانات Portraits الواقعية.