يُحوّل التكيّف غير المُشرَّف للنطاق (UDA) النماذج التنبؤية من نطاق مصدر مُعلّم بالكامل إلى نطاق مستهدف غير مُعلّم. ومع ذلك، في بعض التطبيقات، يكون جمع التسميات حتى في النطاق المصدر مكلفًا جدًا، مما يجعل معظم الدراسات السابقة غير عملية. لمعالجة هذه المشكلة، قامت الدراسات الحديثة بتنفيذ تعلّم ذاتي عبر النطاقات على مستوى كل مثال، يتبعه مرحلة تحسين إضافية. ولكن تعلّم ذاتي على مستوى كل مثال يتعلم فقط ويعادل السمات التمييزية منخفضة المستوى. في هذه الورقة، نقترح إطار عمل جديد متكامل يُسمى التعلّم الذاتي المُتعدد النطاقات القائم على النماذج (PCS) للتكيف غير المُشرَّف للنطاق بعينات قليلة (FUDA). لا يقتصر إطارنا على تطابق السمات منخفضة المستوى عبر النطاقات، بل يُشفّر ويطابق الهياكل الدلالية في الفضاء المدمج المشترك عبر النطاقات. ويُمكّن إطارنا من التقاط الهياكل الدلالية المُصنَّفة حسب الفئة من خلال تعلّم تباين نموذجي داخلي النطاق، ويُنفّذ تطابق السمات من خلال تعلّم ذاتي نموذجي عبر النطاقات. مقارنةً بالأساليب الرائدة حاليًا، يُحسّن PCS دقة التصنيف المتوسطة على أزواج نُطاقات مختلفة في FUDA بنسبة 10.5% و3.5% و9.0% و13.2% على مجموعات البيانات Office وOffice-Home وVisDA-2017 وDomainNet، على التوالي. يمكن زيارة صفحة المشروع عبر الرابط: http://xyue.io/pcs-fuda/index.html