تهدف التكيّف النطاقي (DA) إلى نقل المعرفة المكتسبة من مجال مصدر إلى مجال مستقبلي غير مُعلّم. وقد تناولت بعض الدراسات الحديثة تكيّفًا نطاقيًا بدون مصدر (SFDA)، حيث تكون متاحة فقط نموذج مُدرّب مسبقًا من المجال المصدر لتكيفه مع المجال الهدف. ومع ذلك، فإن هذه الطرق لا تأخذ بعين الاعتبار الحفاظ على أداء المجال المصدر، وهو أمر ذا قيمة عملية عالية في التطبيقات الواقعية. في هذه الورقة، نقترح نموذجًا جديدًا للتكيّف النطاقي يُسمى "التكيّف النطاقي بدون مصدر عام" (G-SFDA)، حيث يجب أن يُظهر النموذج المُتعلم أداءً جيدًا في كل من المجال الهدف والمجال المصدر، مع توفر وصول فقط إلى بيانات الهدف غير المُعلّمة أثناء عملية التكيّف. أولاً، نقترح تقنية تسمى "تجميع البنية المحلية" (LSC)، والتي تهدف إلى تجميع ميزات الهدف مع جيرانها المعانيين المشابهين، مما يُحقّق تكيّفًا ناجحًا للنموذج مع المجال الهدف في غياب بيانات المصدر. ثانيًا، نقترح "الانتباه النطاقي النادر" (SDA)، والذي يُولّد انتباهًا ثنائيًا مخصصًا لكل نطاق، لتفعيل قنوات ميزات مختلفة حسب النطاق، وفي الوقت نفسه يُستخدم هذا الانتباه لتنظيم التدرج أثناء التكيّف، للحفاظ على المعلومات الخاصة بالمجال المصدر. في التجارب، حققت طريقة我们的 أداءً يوازي أو يفوق الطرق الحالية للتكيّف النطاقي (DA) والتكيّف النطاقي بدون مصدر (SFDA)، وبشكل خاص حققت أداءً رائدًا في مجال VisDA بنسبة 85.4٪، كما أظهرت طريقة العمل بشكل جيد في جميع المجالات بعد التكيّف مع مجال واحد أو أكثر من المجالات الهدف. يمكن الاطلاع على الكود عبر الرابط: https://github.com/Albert0147/G-SFDA.