نُدرِسُ مهمة عملية في مجال التكيّف بين الأدماج، تُعرف بمشكلة التكيّف غير المُراقب دون مصدر (Source-Free Unsupervised Domain Adaptation - UDA)، حيث لا يمكننا الوصول إلى بيانات المجال المصدر بسبب قضايا الخصوصية، بل نمتلك فقط نموذجًا مُدرَّبًا مسبقًا من المجال المصدر وبيانات غير مُصنَّفة من المجال الهدف. ومع ذلك، فإن هذه المهمة صعبة جدًا بسبب تحدٍ رئيسي: غياب بيانات المجال المصدر وغياب التسميات الخاصة بالبيانات في المجال الهدف يجعل تكييف النموذج أمرًا بالغ الصعوبة. لمعالجة هذه المشكلة، نقترح استخلاص المعرفة الخفية المُحتَمَلة في النموذج المصدر واستغلالها لتكوين نماذج تمثيلية للمجال المصدر (أي ميزات تمثيلية لكل فئة من فئات المجال المصدر)، فضلًا عن إنشاء تسميات وهمية (Pseudo Labels) للبيانات الهدف بهدف تحقيق التماثل بين المجالين. ولتحقيق ذلك، نقترح طريقة جديدة تُسمى "توليد وتكيف النماذج التمثيلية التباينية" (Contrastive Prototype Generation and Adaptation - CPGA). وتحديدًا، تتكون CPGA من مرحلتين: (1) توليد النماذج: من خلال استكشاف معلومات حدود التصنيف في النموذج المصدر، ندرّب مُولِّد النماذج لتكوين النماذج التمثيلية (النماذج الظلية) باستخدام التعلم التبايني. (2) تكييف النماذج: بناءً على النماذج التمثيلية المصدرية المُولَّدة والتسميات الوهمية للبيانات الهدف، نطوّر استراتيجية جديدة لتكيف النماذج التمثيلية التباينية، تُعدّ مُحكمة وفعّالة، بهدف محاذاة كل بيانات الهدف المُصنَّفة وهميًا مع النماذج التمثيلية المُقابلة من المجال المصدر. وقد أظهرت التجارب الواسعة على ثلاث مجموعات بيانات معيارية لمشكلات UDA كفاءة وتفوّق الطريقة المقترحة.