الترجمة إلى اللغة العربية:يحاول التعميم من مجال مصدر واحد تعلم نموذج على مجال المصدر وتطبيقه على مجالات الهدف غير المرئية. يفرض الحد من الوصول فقط إلى بيانات مجال المصدر تحديين رئيسيين - كيف يمكن تدريب نموذج قادر على التعميم وكيف يمكن التحقق من أنه يفعل ذلك. لا تعكس الممارسة القياسية للتحقق على توزيع التدريب بشكل دقيق قدرة النموذج على التعميم، بينما يعتبر التحقق على توزيع الاختبار ممارسة خاطئة يجب تجنبها. في هذا العمل، نقوم ببناء مجموعة تحقق مستقلة عن طريق تحويل صور مجال المصدر باستخدام قائمة شاملة من التعزيزات (augmentations)، مما يغطي طيفًا واسعًا من التحولات المحتملة في مجالات الهدف. نظهر وجود علاقة ارتباط عالية بين أداء التحقق وأداء الاختبار لعدة طرق وعلى مجموعات بيانات مختلفة. يحقق التحقق المقترح تحسينًا نسبيًا في الدقة بنسبة 15.4٪ أو 1.6٪ عند استخدامه لاختيار الطريقة أو ضبط معدل التعلم، على التوالي. بالإضافة إلى ذلك، نقدم عائلة جديدة من الطرق التي تزيد من انحياز الشكل (shape bias) من خلال خرائط الحواف المعززة (enhanced edge maps). لتحقيق الاستفادة من التعزيزات أثناء التدريب والحفاظ على استقلالية مجموعة التحقق، تم تصميم عملية التحقق k-تكرارية (k-fold validation) لفصل أنواع التعزيز المستخدمة في التدريب والتحقق. يتم اختيار الطريقة التي تحقق أفضل الأداء على مجموعة التحقق المعززة من العائلة المقترحة. إنها تحققت من أداء رائد في المجال على العديد من المعايير القياسية.الرمز البرمجي متاح في: https://github.com/NikosEfth/crafting-shifts