يهدف التكيف بين المجالات غير المراقب (UDA) إلى تعديل النماذج المدربة على مجال مصدر لتحسين أدائها على مجال مستهدف دون الحاجة إلى تسميات إضافية. وفي سياق التجزئة الدلالية المتكيفة مع المجال، التي تعالج UDA للتنبؤ الكثيف، يكون الهدف هو تجنب الحاجة إلى تسميات مستوى البكسل المكلفة. عادةً، تعتمد الطرق السائدة المختلفة على بناء مجالات وسيطة من خلال تقنيات عينة مختلطة عبر المجال لتقليل الانخفاض في الأداء الناتج عن الفجوات بين المجالات. ومع ذلك، فإن هذه الأساليب تُنتج بيانات اصطناعية تختلف عن التوزيعات الحقيقية في العالم الحقيقي، مما قد يؤدي النموذج إلى الانحراف عن التوزيع المستهدف الحقيقي. لمعالجة هذا التحدي، نقترح مهمة مساعدة جديدة تُسمى "تدريب التوجيه". تساعد هذه المهمة على الاستفادة الفعالة من تقنيات العينة المختلطة عبر المجال، مع تقليل الانزياح في التوزيع عن الواقع. بشكل خاص، يوجه تدريب التوجيه النموذج لاستخراج وتوليد توزيع خصائص مجال الهدف من البيانات المختلطة، ثم فك تشفير الخصائص المُعاد توليد توزيعها لصنع توقعات تسميات وهمية. وبشكل مهم، فإن دمج تدريب التوجيه يُحدث تكاليف تدريب ضئيلة ولا يفرض عبئًا إضافيًا أثناء الاستنتاج. نُظهر فعالية نهجنا من خلال دمجه مع الطرق الحالية، حيث يُحسّن الأداء باستمرار. وسيكون التنفيذ متاحًا على الرابط: https://github.com/Wenlve-Zhou/Guidance-Training.