يُعد التدريب الذاتي من الأساليب التنافسية في التجزئة المُتكيفة حسب المجال، حيث يتم تدريب الشبكة باستخدام التسميات الوهمية (Pseudo Labels) في المجال المستهدف. ومع ذلك، فإن التسميات الوهمية لا بد أن تكون مُشوشة، كما أن الميزات المستهدفة تكون متناثرة ناتجة عن الفرق بين المجال المصدري والمجال المستهدف. في هذا البحث، نعتمد على البروتوتيبات الممثلة، أي مركزات الميزات للصفوف، لمعالجة المشكلتين المذكورتين في التكيف غير المراقب بين المجالات. وبشكل خاص، نذهب خطوة أبعد من ذلك ونستغل المسافات الوظيفية من البروتوتيبات، والتي توفر معلومات أكثر غنىً من مجرد البروتوتيبات نفسها. وتحديدًا، نستخدم هذه المسافات لتقدير احتمالية صحة التسميات الوهمية، مما يُسهل التصحيح الزمني أثناء التدريب. في الوقت نفسه، نُجري مواءمة تعيينات البروتوتيبات بناءً على المسافات الوظيفية النسبية بين نظرين مختلفين لنفس المدخل المستهدف، مما يؤدي إلى فضاء ميزات مستهدف أكثر كثافة. علاوة على ذلك، لاحظنا أن عملية استخلاص المعرفة المُكتسبة سابقًا إلى نموذج مُدرَّب مسبقًا بطريقة ذاتية الإشراف تُعزز الأداء بشكل ملحوظ. تُظهر طريقة عملنا ميزة أداء هائلة مقارنة بالأساليب الحالية الرائدة. وسوف نُفعّل الكود بشكل عام للجمهور.