أظهرت الدراسات الحديثة حول التكييف الح领域 غير المراقب (UDA) أن أطر التعلم المجمّع من الطرف إلى الطرف (end-to-end ensemble learning) تمثل خيارًا واعدًا للمهام المتعلقة بـ UDA. ومع ذلك، غالبًا ما تفتقر هذه الطرق المجمعة من الطرف إلى الطرف إلى المرونة، حيث تتطلب أي تعديل على المجموعة إعادة تدريب الإطار بالكامل. ولحل هذه المشكلة، نقترح إطارًا مرنًا للتحفيز (ensemble-distillation) مصممًا لمهام التجزئة الدلالية (semantic segmentation) في سياق UDA، يسمح بأي تركيبة عشوائية من أعضاء المجموعة مع الحفاظ على الأداء المتفوق. لتحقيق هذه المرونة، صُمّم إطارنا ليكون مقاومًا لعدم الاتساق في المخرجات والتغيرات في الأداء بين أعضاء المجموعة. ولتقييم فعالية ومتانة طريقة العمل المقترحة، أجرينا مجموعة واسعة من التجارب على معايير GTA5 إلى Cityscapes وSYNTHIA إلى Cityscapes، بهدف تقييم التحسينات الكمية التي يمكن تحقيقها باستخدام طريقة العمل هذه. كما قدمنا تحليلات مفصلة تؤكد أن اختيار التصميمات المتبعة عملي وفعال. وتوحي الأدلة التجريبية بأن الطريقة المقترحة تقدم أداءً متفوقًا، ومتانة، ومرونة في مهام التجزئة الدلالية المستندة إلى UDA بالمقارنة مع الطرق الأساسية الحديثة.