في التكيف غير المشرف بين المجالات (UDA)، فإن التكيف المباشر من المجال المصدر إلى المجال الهدف عادةً ما يعاني من اختلافات كبيرة ويؤدي إلى تطابق غير كافٍ. لذلك، تحاول العديد من أعمال UDA إلغاء الفجوة بين المجالات تدريجيًا وبشكل ناعم عبر مساحات وسيطة مختلفة، وتُعرف هذه الطريقة بالتكيف الجسري (DB). ومع ذلك، فيما يتعلق بمهمات التنبؤ الكثيف مثل التكيف الدلالي للتقسيم (DASS)، تعتمد معظم الحلول الحالية على نقل الأسلوب الخشن، وما زال كيفية ربط المجالات بشكل أنيق قيد البحث. في هذا العمل، نعتمد على خلط البيانات لتأسيس تكيف جسري مدروس (DDB) لـ DASS، حيث يتم تنظيم توزيعات البيانات المشتركة بين المجالين المصدر والهدف وتفاعلها مع بعضها البعض في المساحة الوسيطة. في صميم DDB يوجد خطوة تكيف جسري ذو مسارين لإنشاء مجالين وسيطين باستخدام تقنيتي خلط البيانات الخشنة والدقيقة، بالإضافة إلى خطوة التعلم بالتكرار العابر للمسارات لاستخدام نموذجين مكملين تم تدريبهما على العينات الوسيطة المنشأة كـ "معلمين" لتطوير نموذج "طالب" أفضل بطريقة التعلم بالتكرار متعدد المعلمين. تعمل هاتان الخطوتان بطرق متبادلة وتقوي كل منهما الأخرى لتحقيق DDB ذي قدرة تكيف قوية. أظهرت التجارب الشاملة على مهمات التقسيم التكيفية بإعدادات مختلفة أن DDB الخاص بنا يتفوق بشكل كبير على الطرق الرائدة حاليًا. يمكن الحصول على الكود من https://github.com/xiaoachen98/DDB.git.