لحل مشكلة عدم التوافق في البيانات بين مجموعات بيانات مختلفة لتمييز تعبيرات الوجه (FER)، تم تصميم العديد من طرق تمييز تعبيرات الوجه عبر المجالات (CD-FERs) بشكل مكثف في السنوات الأخيرة. رغم أن كل طريقة تدعي تحقيق أداء أفضل، إلا أن المقارنات العادلة غائبة بسبب اختيارات غير متسقة لمجموعات البيانات المصدر/الهدف ومستخلصات الخصائص. في هذا العمل، نقوم أولاً بتحليل تأثير الأداء الناجم عن هذه الاختيارات غير المتسقة، ثم بإعادة تنفيذ بعض الطرق الجيدة لـ CD-FER والخوارزميات الحديثة للتكيف بين المجالات. نضمن أن جميع هذه الخوارزميات تتبنى نفس مجموعات البيانات المصدر ومستخلصات الخصائص لتقييم CD-FER العادل. نجد أن معظم الخوارزميات الرائدة حاليًا تستعمل التعلم المعادي لتعلم خصائص شاملة ثابتة بين المجالات للتخفيف من تحولات المجال. ومع ذلك، فإن هذه الخوارزميات تتجاهل الخصائص المحلية، والتي تكون أكثر قابلية للنقل بين مختلف مجموعات البيانات وتحمل المزيد من المحتوى الدقيق للتكيف الدقيق. لمعالجة هذه القضايا، ندمج انتشار التمثيل البياني مع التعلم المعادي لتحقيق التكيف المشترك للخصائص الشاملة والمحلية عبر المجالات من خلال تطوير إطار جديد للتكيف البياني المعادي (AGRA). بشكل خاص، يتم بناء رسومين بيانيين أولاً لربط المناطق الشاملة والمحلية داخل كل مجال وبين مختلف المجالات على التوالي. ثم يتم استخراج الخصائص الشاملة والمحلية من الصورة الإدخال واستخدام التوزيعات الإحصائية القابلة للتعلم لكل فئة لتوفير الرؤوس البيانية المقابلة. وأخيرًا، يتم استخدام شبكتين متراكمتين للم้วن البيانية (GCNs) لنشر الخصائص الشاملة والمحلية داخل كل مجال لاكتشاف تفاعلها وبين مختلف المجالات لتحقيق التكيف المشترك للخصائص الشاملة والمحلية. نجري تقييمات واسعة وعادلة على عدة مقاييس شهيرة ونظهر أن الإطار المقترح AGRA يتفوق على الطرق السابقة الأكثر تقدمًا.