تُعد تقنية تبادل المعرفة (Knowledge Distillation - KD) تقنية قوية لضغط النماذج، وتُستخدم على نطاق واسع في التطبيقات العملية للتعلم العميق. وتركز هذه التقنية على تدريب شبكة صغيرة تُسمى "الطالب" لمحاكاة شبكة أكبر تُعرف بـ"المعلم". وعلى الرغم من أن من المعروف على نطاق واسع أن تقنية تبادل المعرفة تُحسّن من قدرة الطالب على التعميم في البيئة التي تتبع توزيعًا مستقلًا ومتماثلًا (i.i.d)، إلا أن أداء الشبكة الطالبة عند حدوث تغير في المجال (domain shift)، أي أداء الشبكة على بيانات من مجالات لم تُراها أثناء التدريب، لم يُلقَ اهتمامًا كافيًا في الأدبيات السابقة. في هذا البحث، نخطو خطوة نحو تكامل مجالي تبادل المعرفة وعامة المجالات (domain generalization). ونُظهر أن تقنيات متوسط الوزن (weight averaging) التي طُرحت في أبحاث عامة المجالات، مثل SWAD وSMA، تُحسّن أيضًا من أداء تبادل المعرفة في ظل تغير المجال. بالإضافة إلى ذلك، نقترح استراتيجية مبسطة لتقنيات متوسط الوزن لا تتطلب تقييمًا على بيانات التحقق خلال التدريب، ونُظهر أن أداؤها يُعادل أداء SWAD وSMA عند تطبيقها على تبادل المعرفة. ونُسمّي النهج النهائي لتبادل المعرفة الذي نقترحه: "تبادل المعرفة المُتوسّط بالوزن" (Weight-Averaged Knowledge Distillation - WAKD).