في هذه الورقة، نتناول مسألة التكيف بين عدة مجالات ذات أهداف متعددة (MTDA)، حيث يتم تقديم مجموعة بيانات مصدر واحدة مشمولة بالتصنيفات ومجموعات بيانات هدف متعددة غير مشمولة بالتصنيفات تختلف في توزيعاتها البياناتية، والهدف هو تعلم متنبئ قوي لجميع المجالات الهدف. نحدد جوانبين أساسيين يمكن أن يساعدا على تخفيف الاختلافات المتعددة في المجالات ضمن MTDA: دمج الخصائص وتعلم المناهج التدريجي. لهذا الغرض، نقترح منهجية التعلم التعاوني الرسومي التدريجي (CGCT) التي تستعمل رأس تصنيف مزدوج، أحدهما شبكة انتقال رسومية (GCN) تقوم بدمج الخصائص من العينات المشابهة عبر المجالات. لمنع المصنفين من الانحراف نحو التوافق مع التصنيفات الوهمية الضوضائية الخاصة بهم، نطور استراتيجية تعلم تعاوني مدعومة بتعلم المناهج التدريجي للحصول على تصنيفات وهمية أكثر ثقة. بالإضافة إلى ذلك، عندما تكون علامات المجال متاحة، نقترح تعلم المناهج التدريجي المدرك للمجال (DCL)، وهو استراتيجية تكيف متسلسلة تعتمد أولاً على المجالات الهدف الأسهل ثم تتبعها بالمجالات الأكثر صعوبة. نثبت فعالية الإطارات المقترحة لدينا بشكل تجريبي على عدة مقاييس وأنظمة اختبار، ونحقق تقدماً كبيراً في الحالة الفنية الحالية لـ MTDA بمargins كبيرة (مثل +5.6% على DomainNet).