يُعد التكييف العالمي للنطاق (UniDA) مشكلة عملية ولكنها صعبة، حيث لا تُزوَّد بمعلومات حول العلاقة بين النطاقات المصدرية والهدفية، مما يعرقل نقل المعرفة. قد تعاني الطرق الحالية لـ UniDA من مشكلتين رئيسيتين: إهمال التغيرات داخل النطاق الهدف، وصعوبة التمييز بين الفئات المعروفة المشابهة والفئات غير المعروفة. ولحل هذه المشكلات، نقترح شبكة تعلم متبادل جديدة (MLNet) تتميز بثبات الجوار (neighborhood invariance) للتعامل مع UniDA. في طريقةنا، تم تصميم تعلم الميزات الثابتة الموجهة بالثقة مع اختيار ذاتي للجوار لخفض التغيرات داخل النطاق، مما يعزز تمثيل الميزات العام. وباستخدام نموذج المزج عبر النطاقات (cross-domain mixup) لتحسين تحديد الفئات غير المعروفة، تُصحح الطريقة الأخطاء الناتجة عن التصنيف الخاطئ للفئات المعروفة من خلال التعلم المتبادل بين المصنّف المغلق (closed-set) والمصنّف المفتوح (open-set). أظهرت التجارب الواسعة على ثلاث معايير عامة متاحة للعموم أن طريقتنا تحقق أفضل النتائج مقارنة بالطرق المتطورة الحالية في معظم الحالات، وتفوق بشكل ملحوظ النموذج الأساسي في جميع الأربعة إعدادات ضمن UniDA. يمكن الوصول إلى الكود عبر الرابط: https://github.com/YanzuoLu/MLNet.