نعمل على تعلُّم نموذج من مجموعة من المجالات المصدرية بحيث يُعامَل بشكل جيد على المجالات الهدف غير المرئية. التحدي الرئيسي في هذا السياق لعامّة المجالات هو عدم توفر أي بيانات من المجال الهدف أثناء التدريب، مما يؤدي إلى عدم تكييف النموذج المُتعلّم بشكل صريح مع المجالات الهدف غير المرئية. نقترح تعلُّم القدرة على التعميم عبر المجالات باستخدام عينة واحدة فقط في الاختبار. نستفيد من منهجية التعلُّم التكراري (meta-learning) لتعليم نموذجنا اكتساب القدرة على التكيُّف باستخدام عينات واحدة أثناء التدريب، بحيث يتمكن من التكيُّف بشكل إضافي مع كل عينة اختبار منفردة أثناء الاختبار. نُصاغ عملية التكيُّف مع العينة الاختبارية الواحدة كمشكلة استنتاج بايزي متغير (variational Bayesian inference)، والتي تُدخل العينة الاختبارية كشرط في توليد معلمات النموذج. يتطلب التكيُّف مع كل عينة اختبارية حسابًا واحدًا فقط في الاتجاه الأمامي أثناء الاختبار، دون الحاجة إلى أي تعديل دقيق (fine-tuning) أو تدريب ذاتي (self-supervised) على بيانات إضافية من المجالات غير المرئية. أظهرت دراسات التحليل المُفصّلة (ablation studies) بشكل واسع أن نموذجنا يتعلم القدرة على تكييف النموذج مع كل عينة منفردة من خلال محاكاة التحولات بين المجالات أثناء التدريب. علاوةً على ذلك، يحقق نموذجنا أداءً لا أقل من المنهجيات الرائدة (state-of-the-art) – وأحيانًا أفضل منها – على عدة معايير لعامّة المجالات.