نواجه المشكلة الصعبة المتمثلة في التكيف غير الخاضع للإشراف بدون مصدر (SFUDA) لتقسيم المعنى ثلاثي الأبعاد. يتعلق الأمر بتنفيذ التكيف بين المجالات على مجال الهدف غير المصنف دون أي وصول إلى بيانات المصدر؛ والمعلومات المتاحة هي نموذج تم تدريبه لتحقيق أداء جيد في مجال المصدر. من المشاكل الشائعة التي تواجه الأساليب الحالية لـ SFUDA هو أن الأداء ينخفض بعد بعض الوقت من التدريب، وهو نتيجة مشكلة غير محددة بشكل كافٍ وغير مطروحة بشكل صحيح. نناقش استراتيجيتين لتخفيف هذه المشكلة. أولاً، نقترح طريقة معقولة لتنظيم مشكلة التعلم. ثانياً، نقدم معيارًا جديدًا يستند إلى الاتفاق مع نموذج مرجعي. يتم استخدام هذا المعيار (1) لإيقاف التدريب عند اللحظة المناسبة و(2) كمدقق لاختيار المعلمات الفائقة دون أي معرفة بمجال الهدف. إسهاماتنا سهلة التنفيذ وتتناسب بسهولة مع جميع أساليب SFUDA، مما يضمن تحسينات مستقرة على جميع النماذج الأساسية. نتحقق من صحة نتائجنا في مجموعة متنوعة من إعدادات الليدار ثلاثية الأبعاد، حيث نحقق أداءً رائدًا في هذا المجال. مستودع المشروع (مع الكود): github.com/valeoai/TTYD.