إلى تحسين التكيّف غير المراقب للنطاق (UDA). في الآونة الأخيرة، اقترح الباحثون العديد من وحدات الانتباه المعتمدة على النطاق، وأحرزوا تقدماً واعداً. ومع ذلك، وبما أن تهيئة الانتباه، أي نوع ومكان وحدة الانتباه، تؤثر بشكل كبير على الأداء، فمن الأفضل تحسين تهيئة الانتباه تلقائياً لتصبح مخصصة لأي سيناريو لـ UDA. لأول مرة، تُقدّم هذه الورقة إطاراً جديداً يُسمى EvoADA: إطار يُطوّر تهيئة الانتباه لمهام UDA معينة دون تدخل بشري. وبشكل خاص، نقترح فضاء بحث جديد يحتوي على تهيئة متنوعة لوحدات الانتباه. ثم، لتقدير تهيئة الانتباه وجعل عملية البحث متمحورة حول UDA (قابلية الانتقال + التمييز)، نطبّق استراتيجية تقييم بسيطة وفعّالة: 1) تدريب أوزان الشبكة على حالتين مختلفتين من النطاقات باستخدام أساليب جاهزة لتكيف النطاق؛ 2) تطوير تهيئة وحدات الانتباه تحت إشراف قدرة التمييز على النطاق الهدف. أظهرت التجارب على مجموعة متنوعة من المعايير عبر النطاقات، مثل Office-31، Office-Home، CUB-Paintings، وDuke-Market-1510، أن EvoADA المقترحة تُحسّن باستمرار عدة أساليب حديثة متقدمة في تكيف النطاق، وأن التهيئة المثلى لوحدات الانتباه تساعد هذه الأساليب على تحقيق أداء أفضل.