يُمكّن التعلم المُتَّفَقَ (Federated Learning - FL) من تطوير النماذج الموزعة لجمع مصادر بيانات سرية متعددة. قد تتعرض عمليات نقل المعلومات بين العملاء للتلف بسبب الفروق في التوزيع، أي بسبب البيانات غير المستقلة والمتوزعة بشكل غير متماثل (non-i.i.d.). وتمثل الحالة التي يُطبّق فيها النموذج المُتَّفَق على عميل مستهدف دون إمكانية الوصول إلى بيانات مُعلّمة تحديًا خاصًا. نقترح نموذج التدريب المُتَّفَق العدائي المتبادل (Federated Adversarial Cross Training - FACT)، الذي يستخدم الفروق الضمنية بين المجالات في العملاء المصدرية للكشف عن الانزياحات في المجال المستهدف. في كل جولة من جولات التعلم المُتَّفَق، يقوم FACT بتهيئة عشوائية لزوج من العملاء المصدرية لتكوين تمثيلات متخصصة حسب المجال، والتي تُستخدم بعدها كمضاد مباشر لتعلم تمثيل بيانات مُستقل عن المجال. ونُظهر تجريبيًا أن FACT يتفوق على نماذج التكيف بين المجالات المُتَّفَق، وغير المُتَّفَق، وبدون مصدر (source-free) في الحد الأدنى من النماذج الشهيرة متعددة المصادر إلى هدف واحد، كما يتفوق على النماذج الرائدة في التكيف بين المجالات غير المُراقب (Unsupervised Domain Adaptation - UDA) في تجارب ذات مصدر واحد إلى هدف واحد. ونُجري دراسة إضافية لسلوك FACT فيما يتعلق بقيود الاتصال وعدد العملاء المشاركين.