التوسع إلى مجالات الصور غير المعروفة هو مشكلة صعبة بشكل أساسي بسبب نقص البيانات التدريبية المتنوعة، وعدم إمكانية الوصول إلى بيانات الهدف، والتحول الكبير في المجال الذي قد يظهر في العديد من الإعدادات الحقيقية. لذلك، تعتبر زيادة البيانات (Data Augmentation) مكونًا حاسمًا في طرق التوسع في المجال التي تسعى لحل هذه المشكلة. نقدم هنا خوارزمية جديدة تُعرف بـ "الزيادة البيزية المعادية" (Adversarial Bayesian Augmentation - ABA)، وهي تتعلم إنشاء زيادة للصور في الإعداد الصعب للتوسع في مجال المصدر الواحد. تعتمد ABA على قوة التعلم المعادي والشبكات العصبية البيزية لتعزيز إنشاء بيانات زيادة متنوعة -- وهذه الصور المصنعة تساعد المصنف على التوسع إلى مجالات غير معروفة. نوضح قوة ABA في عدة أنواع من تحولات المجال، بما في ذلك تحول الأسلوب، وتحول الفئة الفرعية، وتحول المجال في إعداد تصوير الأشعة الطبي. تتفوق ABA على جميع الأساليب الرائدة سابقًا، بما فيها الزيادات المحددة مسبقًا، والزيادات القائمة على البكسل، والزيادات القائمة على التحويلات الإقحامية (Convolutional-based).