نُقدِّم تقنية جديدة تُسمَّى CHATTY: ترددات نقل متعددة التكامل المضادة ذات تأثير مُتَّسِق مع العائد لتناسب المجال غير المُراقب. تُستخدم التدريب المضاد بشكل شائع لتعلم تمثيلات لا تعتمد على المجال من خلال عكس التدرجات من رأس تصنيف المجال لتدريب طبقات استخراج الميزات في الشبكة العصبية. نقترح تحسينات جوهرية على الرأس المضاد، وهدف تدريبه، ورأس التصنيف. وبهدف تقليل التباس الفئات، نُقدِّم شبكة فرعية تقوم بنقل مخرجات التصنيف للعينات من المجال المصدري والهدف بشكل قابل للتعلم. ونُوجِّه هذا النقل باستخدام خسارة نقل جديدة تُبَعِّد كُتَل الفئات عن بعضها البعض، مما يُسهِّل على التصنيف تحديد حدود القرار لكل من المجال المصدري والهدف. وتبين النتائج أن إضافة هذه الخسارة الجديدة إلى مجموعة مختارة بعناية من الخسائر المُقدَّمة سابقًا تؤدي إلى تحسين نتائج التكيف بين المجالات غير المُراقبة مقارنةً بالطرق السابقة الأفضل في المجموعات المعيارية. كما نُظهِر أهمية المصطلح الخسارة المقترح من خلال دراسات التحليل التفصيلي (Ablation Studies) وتصور حركة العينات من المجال الهدف في فضاء التمثيل.