لقد حققت التعلم المضاد أداءً متميزًا في التكيف بين المجالات غير المراقبة (UDA). تُعتمد غالبًا في الطرق الحالية المضادة لـ UDA على مُميّز إضافي لإجراء لعبة الـ min-max مع مُستخرج الميزات. ومع ذلك، فشلت معظم هذه الطرق في الاستفادة الفعالة من المعلومات التمييزية المُقدَّرة، مما يؤدي إلى انهيار النمط (mode collapse) في المُولِّد. في هذه الدراسة، نعالج هذه المشكلة من منظور مختلف، ونُصمم نموذجًا مضادًا بسيطًا وفعالًا على شكل شبكة تعلم مضاد بدون مُميّز (DALN)، حيث يتم إعادة استخدام مُصنِّف الفئات كمُميّز، مما يحقق التماثل بين المجالات والتمييز بين الفئات من خلال دالة هدف موحدة، ما يمكّن DALN من الاستفادة من المعلومات التمييزية المُقدَّرة لضمان تطابق كافٍ للسمات. بشكل أساسي، نُقدّم ما يُعرف بـ "الانحراف واسرستاين النظري (NWD)" المبني على القيمة النووية، والذي يمتلك معنى توجيهيًا واضحًا في التمييز. يمكن ربط هذا NWD بـ المُصنِّف ليُستخدم كمُميّز يحقق شرط كونه K-Lipschitz دون الحاجة إلى تقنيات إضافية مثل قص الأوزان أو عقوبة المشتقة. وبلا تعقيدات إضافية، يتفوّق DALN على الطرق الرائدة الحالية (SOTA) في مجموعة متنوعة من مجموعات البيانات العامة. علاوةً على ذلك، وباعتباره تقنية يمكن تطبيقها بسهولة (plug-and-play)، يمكن استخدام NWD مباشرةً كعامل تعميم (regularizer عام) لتحسين الخوارزميات الحالية لـ UDA. يمكن الوصول إلى الكود عبر الرابط: https://github.com/xiaoachen98/DALN.