التكيف الجزئي للنطاق، الذي يفترض أن فضاء التسميات المستهدفة غير المعروف هو مجموعة جزئية من فضاء التسميات المصدرية، قد جذب اهتمامًا كبيرًا في مجال الرؤية الحاسوبية. وعلى الرغم من التقدم الأخير، تواجه الطرق الحالية ثلاث مشكلات رئيسية: النقل السلبي، ونقص التمييزية، وعدم التماثل بين المجالات في الفضاء الخفي. ولتخفيف هذه المشكلات، نطور إطارًا جديدًا يُسمى "اختيار، تسمية، وخلط" (SLM) يهدف إلى تعلم تمثيلات مميزة وثابتة في الفضاء الخفي للتكيف الجزئي للنطاق. أولاً، نقدم وحدة "اختيار" فعّالة تُزيل تلقائيًا العينات الخارجة عن المألوف من المجال المصدر لتجنب النقل السلبي، مع الحفاظ على تجانس التوزيعات بين المجالين. ثانيًا، تُدرّس وحدة "التسمية" التصنيف بشكل تكراري باستخدام بيانات المصدر المُسَمّاة والعلامات الوهمية المُولَّدة للمجال المستهدف، بهدف تعزيز التمييزية في الفضاء الخفي. أخيرًا، تستخدم وحدة "الخلط" تنظيمًا يعتمد على خلط المجالات (domain mixup) بشكل مشترك مع الوحدتين الأخريين لاستكشاف هيكلية أكثر عمقًا بين المجالات، مما يؤدي إلى فضاء خفي ثابت بالنسبة للمجالات في سياق التكيف الجزئي للنطاق. وقد أظهرت تجارب واسعة على عدة مجموعات بيانات معيارية للتكيف الجزئي للنطاق تفوق الإطار المقترح مقارنة بالطرق الأفضل في مجالها.