تُركّز مناهج التكيّف بين المجالات غير المُعلَّمة (UDA) على تكييف النماذج المدربة على مجال مصدر مُعلَّم إلى مجال هدف غير مُعلَّم. وتكمن الفرضية القوية التي تعتمدها مناهج UDA في إمكانية الوصول إلى بيانات المصدر أثناء عملية التكييف، وهي فرضية قد لا تكون قابلة للتطبيق في العديد من السيناريوهات الواقعية بسبب مخاوف الخصوصية وقيود الموارد على الأجهزة. وفي هذا السياق، تبرز مناهج التكيّف دون الحاجة إلى بيانات المصدر (SFDA)، إذ لم تعد الحاجة إلى بيانات المصدر مطلوبة أثناء التكييف. وتركز معظم الطرق الحديثة من الدرجة المتطورة (SOTA) في مجال SFDA على تدريب ذاتي مبني على تحسين التسميات الوهمية (pseudo-labels)، والذي يعاني عادة من مشكلتين رئيسيتين: (أ) حدوث تسميات وهمية ضوضائية لا مفر منها، مما قد يؤدي إلى تعلّم مبكر يُشبه التذكّر في مراحل مبكرة من التدريب؛ (ب) يتطلب عملية التحسين الحفاظ على "مكتبة ذاكرة" (memory bank)، وهو ما يُشكّل عبئًا كبيرًا في السياقات التي تفتقر إلى الموارد. وللتغلب على هذه التحديات، نقترح C-SFDA، وهي إطار تدريب ذاتي مدعوم بتعلم المناهج (curriculum learning) لتطبيقات SFDA، يتيح تكيّفًا فعّالًا وموثوقًا مع التغيرات بين المجالات بناءً على تسمية وهمية مختارة بعناية. وبشكل خاص، نستخدم نموذجًا لتعلم المناهج لتعزيز التعلّم من كمية محدودة من التسميات الوهمية المختارة بناءً على موثوقيتها. ويشكّل هذا الإجراء البسيط لكنه الفعّال وسيلة ناجحة لمنع انتشار الضوضاء في التسميات خلال المراحل المختلفة من التكييف، كما يزيل الحاجة إلى تحسين التسميات القائمة على مكتبة الذاكرة المكلفة. وقد أكدت تقييماتنا التجريبية الواسعة على مهام التعرف على الصور والتقسيم الدلالي (semantic segmentation) فعالية طريقة C-SFDA. كما تُعد C-SFDA قابلة للتطبيق بسهولة في تكييف المجالات في وقت الاختبار (online test-time domain adaptation)، وتفوق في هذه المهمة جميع الطرق السابقة من الدرجة المتطورة (SOTA).