تم اقتراح العديد من طرق التكيف بين المجالات غير المراقبة (UDA) بهدف تقليص الفجوة بين المجالات من خلال استخدام المعلومات الثابتة بين المجالات. وقد اختارت معظم هذه الطرق العمق كنوع من هذه المعلومات وحققت نجاحًا ملحوظًا. ومع ذلك، فإن استخدام العمق كمعلومات ثابتة بين المجالات في مهام UDA قد يؤدي إلى مشاكل متعددة، مثل تكاليف استخراج مرتفعة بشكل مفرط وصعوبات في تحقيق جودة تنبؤ موثوقة. ولذلك، نقدم التعلم على الحواف المستند إلى التكيف بين المجالات (ELDA)، وهو إطار يدمج معلومات الحواف في عملية التدريب ليكون نوعًا من المعلومات الثابتة بين المجالات. وفي تجاربنا، نثبت بشكل كمي وكيفي أن دمج معلومات الحواف هو بالفعل مفيد وفعال ويتيح لـ ELDA تجاوز أفضل الأساليب المعاصرة على مقاييس الأداء الشائعة الاستخدام في مهام UDA القائمة على التقسيم الدلالي. بالإضافة إلى ذلك، نوضح أن ELDA قادر على فصل توزيعات الخصائص للصفوف المختلفة بشكل أفضل. كما نقدم أيضًا تحليل إزالة الخواص لتبرير قرارات تصميمنا.