يُعد التكييف غير المُراقب للنطاق (UDA) في مهمة إعادة التعرف على الأشخاص تحديًا كبيرًا بسبب الفجوة الكبيرة بين النطاق المصدري والنهائي. تتمثل إحدى الطرق الشائعة للتدريب الذاتي في استخدام التسميات الوهمية التي تُولَّد بواسطة خوارزميات التجميع لتحسين النموذج بشكل تكراري في النطاق الهدف. ومع ذلك، فإن عيبًا رئيسيًا في هذا الأسلوب هو أن التسميات الوهمية المُشوشة غالبًا ما تُسبب صعوبات في التعلم. لمعالجة هذه المشكلة، تم تطوير طريقة تعلم متبادل تعتمد على شبكتين مُتناظرتين لإنتاج تسميات ناعمة موثوقة. ولكن مع تقارب الشبكتين العصبيتين تدريجيًا، يُضعف تكاملهما المتبادل، ويصبحان عرضة للتحيز نحو نفس نوع التشويش. تقدم هذه الورقة وحدة خفيفة الوزن جديدة تُسمى "مُوجّه الموجة المُنتبه (AWB)"، التي يمكن دمجها في الشبكتين المتناظرتين في طريقة التعلم المتبادل لتعزيز التكامل المتبادل وتقليل التشويش في التسميات الوهمية. بشكل محدد، نُقدّم أولًا وحدة لا تعتمد على معاملات، تُسمى "مُوجّه الموجة (WaveBlock)"، التي تُحدث فرقًا بين السمات التي تتعلمها الشبكتان من خلال تطبيق تأثير الموجة على كتل خرائط السمات بشكل مختلف. ثم نُطبّق آلية انتباه لتكبير هذا الفرق وتحديد سمات أكثر تكاملًا. علاوة على ذلك، نستكشف نوعين من استراتيجيات التجميع: التجميع قبل الانتباه والتحديث بعد الانتباه. تُظهر التجارب أن الطريقة المقترحة تحقق أداءً متقدمًا جدًا على عدة مهام لـ UDA في إعادة التعرف على الأشخاص، مع تحسينات ملحوظة. كما نُثبت عامّية الطريقة المقترحة من خلال تطبيقها على مهام إعادة التعرف على المركبات وتصنيف الصور. تتوفر أكوادنا ونماذجنا على الرابط: https://github.com/WangWenhao0716/Attentive-WaveBlock.