بالنظر إلى ضعف النموذج القائم على التعلم العميق تجاه التحول بين المجالات، تم اقتراح أساليب التكيف بين المجالات دون الحاجة إلى بيانات المجال المصدر (SFDA) لتمكين نماذج التكيف مع مجالات مستهدفة جديدة وغير معروفة دون الحاجة إلى الوصول إلى بيانات المجال المصدر. وعلى الرغم من الفوائد المحتملة لتطبيق تكبير البيانات في سياق SFDA، إلا أن عدة تحديات تظهر، مثل الاعتماد على المعرفة المسبقة بالتحويلات التي تحافظ على الفئة، وزيادة متطلبات الذاكرة والحساب. في هذا البحث، نقترح منهجية جديدة تُسمى "التكيف بين المجالات دون مصدر من خلال عدسة تكبير البيانات" (SF(DA)$^2$2)، والتي تستفيد من مزايا تكبير البيانات دون التعرض لتلك التحديات. نقوم ببناء رسم بياني لتضخيم البيانات في فضاء الميزات للنموذج المُدرّب مسبقًا باستخدام العلاقات الجوارية بين ميزات الهدف، ونُقدّم تجميعًا طيفيًا للجوار لتحديد التقسيمات في فضاء التنبؤ. علاوة على ذلك، نقترح خوارزميتي التضخيم الضمني للميزات وتفرقة الميزات كوظائف خسارة تنظيمية، تُستخدم فعّالًة لمعلومات الدلالة الفئوية داخل فضاء الميزات. تُحاكي هذه الدوال التنظيمية إدراج عدد غير محدود من ميزات الهدف المُضخَّمة في الرسم البياني لتضخيم البيانات، مع تقليل التكاليف الحسابية والذاكرة. تُظهر منهجيتنا أداءً متفوّقًا في سيناريوهات SFDA، بما في ذلك مجموعات بيانات الصور ثنائية الأبعاد والبيانات النقطية ثلاثية الأبعاد، بالإضافة إلى مجموعة بيانات ذات توازن شديد.