تُعدّ عملية التكيّف النطاقي (Domain Adaptation) عملية تقليل الفجوات في التوزيع بين البيانات المنتمية إلى مجالات مختلفة. في هذه الورقة البحثية، نُظهر أن الطرق المستخدمة في التكيّف النطاقي والتي تعتمد على العلاقات الزوجية بين بيانات المجال المصدر والهدف يمكن صياغتها على شكل تضمين رسم بياني (Graph Embedding)، حيث يتم دمج تسميات المجالات في بنية الرسمين الأساسي (intrinsic) والعقابي (penalty). وبشكل خاص، نُحلل دوال الخسارة لثلاثة من أحدث الطرق المُعتمدة على التدريب المُراقب في مجال التكيّف النطاقي، ونُثبت أن هذه الطرق تقوم بعملية تضمين رسم بياني. علاوة على ذلك، نُشير إلى بعض المشكلات المتعلقة بالتعميم وإعادة التكرار (reproducibility) الناتجة عن الإعداد التجريبي الشائع المستخدم لتوضيح قدرات هذه الطرق على التعلم القليل (few-shot learning). ولتقييم ومقارنة طرق التكيّف النطاقي المُراقب بدقة، نُقترح بروتوكول تقييم مُعدّل، ونُقدّم معايير مُحدّثة على المجموعات القياسية من البيانات: Office31 (Amazon، DSLR، وWebcam)، وDigits (MNIST، USPS، SVHN، وMNIST-M)، وVisDA (Synthetic، وReal).