يهدف التكيّف غير المراقب للنطاق (UDA) إلى التغلب على الحاجة إلى مجموعة بيانات مُدرّبة كبيرة من خلال نقل المعرفة من مجموعة بيانات مصدرية تحتوي على كميات كبيرة من البيانات المُدرّبة إلى مجموعة بيانات مستهدفة لا تحتوي على بيانات مُدرّبة. وبما أن المجموعة المستهدفة لا تحتوي على تسميات، فقد ينتشر التباعد المبكر بين النطاقين إلى المراحل اللاحقة، مما يؤدي إلى تراكم الأخطاء. ول supera هذا التحدي، نقترح خوارزمية توسّع تدريجي للنطاق المصدري (GSDE). تقوم خوارزمية GSDE بتدريب مهمة UDA عدة مرات من الصفر، مع إعادة تهيئة أوزان الشبكة في كل مرة، ولكن مع توسيع مجموعة البيانات المصدرية في كل مرة بإدراج بيانات من المجموعة المستهدفة. وبشكل خاص، تُستخدم أرقام البيانات المستهدفة ذات أعلى التصنيفات من الجولة السابقة كعينات مصادر افتراضية (Pseudo-source samples) مع تسميات افتراضية مُقابلة لها. وباستخدام هذه الاستراتيجية، تُدخل العينات المصدرية الافتراضية المعرفة المستخلصة من الجولة السابقة مباشرة في بداية التدريب الجديدة، مما يساعد على تحسين مواءمة النطاقين، خصوصًا في المراحل المبكرة من التدريب. في هذه الدراسة، نقدّم أولًا شبكة قوية كأساس معياري، ونطبّق استراتيجية GSDE عليها. ونُجري تجارب ودراسات تحليلية على ثلاث معايير معيارية (Office-31، OfficeHome، وDomainNet)، ونُظهر تفوقنا على أحدث الأساليب المطروحة. كما نُظهر بشكل إضافي أن استراتيجية GSDE المقترحة يمكن أن تُحسّن دقة مجموعة متنوعة من أساليب UDA الحديثة المتطورة.