تهدف التكيف غير المراقب للنطاق (UDA) إلى نقل المعرفة من النطاق المُدرَّس (المصدر) إلى النطاق غير المُدرَّس (الهدف). تُعدّ الطرق الحالية القائمة على التدريب الذاتي في UDA تُعيّن تسميات افتراضية (Pseudo Labels) للبيانات الهدف، وتُعامل هذه التسميات كتسميات حقيقية (Ground Truth) للاستفادة الكاملة من البيانات غير المُدرَّسة في الهدف لتحسين نموذج التكيف. ومع ذلك، فإن التسميات الافتراضية التي تُولَّد من النموذج المُحسَّن على النطاق المصدر تحتوي بالضرورة على ضوضاء ناتجة عن الفجوة بين النطاقين. لمعالجة هذه المشكلة، نقدّم إطارًا يُدعى MetaCorrection، حيث تم تصميم استراتيجية تعلم متعدّد الحساسية للنطاق (Domain-aware Meta-learning) لدعم تصحيح الخسارة (DMLC) في مهام التصنيف الدلالي (UDA). على وجه التحديد، نُمثّل توزيع الضوضاء في التسميات الافتراضية للنطاق الهدف من خلال إدخال مصفوفة انتقال الضوضاء (NTM)، ونُنشئ مجموعة بيانات متعدّدة (Meta Dataset) مكوّنة من بيانات مصدر مُستقلة عن النطاق لتوجيه تقدير NTM. وباستخدام تقليل المخاطر على مجموعة البيانات المتعددة، يمكن للـ NTM المُحسَّنة تصحيح المشكلات الناتجة عن الضوضاء في التسميات الافتراضية، وتعزيز قدرة النموذج على التعميم على البيانات الهدف. وبما أن هناك فجوة في القدرة بين السمات السطحية والعميقة، نُطبّق استراتيجيتنا DMLC المُقترحة لتقديم إشارات إشراف متوافقة ومتوازنة للسمات على مستويات مختلفة، مما يضمن تكيفًا عميقًا. وقد أظهرت النتائج التجريبية الواسعة فعالية طريقتنا مقارنةً بالأساليب الرائدة الحالية على ثلاث معايير (Benchmarks).