نستكشف مهمة عملية لتنقّل النطاق، تُعرف بـ"تنقّل النطاق دون مصدر" (SFUDA)، حيث يتم تكييف نموذج مُدرّب مسبقًا على المصدر لتكيّفه مع النطاق الهدف دون إمكانية الوصول إلى بيانات المصدر. تعتمد التقنيات الحالية بشكل رئيسي على التسمية الوهمية ذاتية التعلّم لتحقيق التوافق العالمي على مستوى الفئات [1]، أو تعتمد على استخلاص البنية المحلية التي تحفّز على اتساق الميزات بين الجيران [2]. وعلى الرغم من التقدّم المُبهر الذي تم إحرازه، فإن كلا النهج يمتلك عيوبه الخاصة: فالنهج "العالمي" حساس للتسميات الضوضائية، بينما يعاني النهج "المحلي" من تحيّز المصدر. في هذه الورقة، نقدّم منهجية جديدة تُسمى "قسّم وقارن" (DaC)، وهي منهجية جديدة لـ SFUDA تسعى إلى الجمع بين أفضل جوانب كلا النهجين مع تجنّب عيوبهما. استنادًا إلى درجة الثقة في التنبؤات الخاصة بنموذج المصدر، يقوم DaC بتقسيم بيانات الهدف إلى عينات شبيهة بالمصدر وعينات مميزة للهدف، حيث تُعالج كل مجموعة بأساليب مخصصة ضمن إطار تعليم تبايني تكيّفي. وبشكل خاص، تُستخدم العينات الشبيهة بالمصدر لتعلم تجميع الفئات العالمية بفضل نقاوة تسمياتها النسبية. أما البيانات الهدفية المُضطربة، فهي تُستخدَم على مستوى المُثَّل (instance-level) لتعلم البنية المحلية الجوهرية. ونُضيف إلى ذلك، توازي النطاق الشبيه بالمصدر مع العينات المميزة للهدف باستخدام خسارة متوسط التباين الأقصى (MMD) القائمة على ذاكرة مُخزّنة لتقليل الفرق في التوزيع. وقد أثبتت التجارب الواسعة على مجموعات VisDA وOffice-Home وDomainNet الأصعب أداءً متفوّقًا لـ DaC مقارنةً بالأساليب الرائدة حاليًا. يُمكن الوصول إلى الكود عبر الرابط: https://github.com/ZyeZhang/DaC.git.