لقد حققت الطرق المُعدّة للتكيف غير المُراقب (UDA) في تعلّم التمثيلات الثابتة بالنسبة للمجالات تقدّماً ملحوظاً. ومع ذلك، كانت معظم الدراسات قائمة على التكيف المباشر من المجال المصدر إلى المجال الهدف، وعانت من فجوات كبيرة بين المجالات. في هذه الورقة، نقترح طريقة UDA قادرة على التعامل بكفاءة مع هذه الفجوات الكبيرة بين المجالات. نقدّم تقنية مُزج مبنية على نسبة ثابتة (fixed ratio-based mixup) لتوسيع عدة مجالات وسيطة بين المجال المصدر والمجال الهدف. ومن خلال هذه المجالات المُوسّعة، ندرّب نموذجين: نموذج يُهيمن على المجال المصدر، ونموذج يُهيمن على المجال الهدف، وهما يتمتعان بخصائص متكاملة. وباستخدام مناهج التعلّم القائمة على الثقة، مثل التطابق ثنائي الاتجاه مع التنبؤات عالية الثقة، والعقاب الذاتي باستخدام التنبؤات منخفضة الثقة، يمكن للنماذج تعلّم بعضها البعض أو من نتائجها الخاصة. وباستخدام الطرق المقترحة، تنتقل المعرفة المتعلقة بالمكان تدريجياً من المجال المصدر إلى المجال الهدف. وأظهرت التجارب الواسعة تفوق الطريقة المقترحة على ثلاث معايير عامة: Office-31 وOffice-Home وVisDA-2017.