التكيف بين المجالات بدون مصدر هو موضوع حيوي في مجال التعلم الآلي، حيث يحتوي على العديد من التطبيقات في العالم الحقيقي، خاصة فيما يتعلق بخصوصية البيانات. تركز الأساليب الحالية بشكل أساسي على البيانات الأقليدية مثل الصور والفيديوهات، بينما لا يزال استكشاف البيانات الرسومية غير الأقليدية محدودًا. يمكن أن تعاني الطرق الحديثة لشبكات العصبونات الرسومية (GNN) من انخفاض أداء خطير بسبب تحول المجال وندرة التسميات في سيناريوهات التكيف بدون مصدر. في هذه الدراسة، نقترح طريقة جديدة تُسمى GALA (Graph Diffusion-based Alignment with Jigsaw)، وهي مصممة خصيصًا للتكيف بين المجالات الرسومية بدون مصدر. لتحقيق التوافق بين المجالات، يستخدم GALA نموذج انتشار رسومي لإعادة بناء الرسوم البيانية ذات الطابع المصدر من بيانات الهدف. بصفة خاصة، يتم تدريب نموذج انتشار رسومي قائم على النقاط باستخدام الرسوم البيانية المصدر لتعلم الأنماط الإنتاجية للمصدر. ثم، نقوم بإدخال اضطرابات إلى الرسوم البيانية الهدف عبر معادلة تفاضلية عشوائية بدلاً من العينة الأولية، يتبعها عملية عكسية لإعادة بناء الرسوم البيانية ذات الطابع المصدر. نقوم بتغذية الرسوم البيانية ذات الطابع المصدر إلى شبكة عصبية رسومية جاهزة ونقدم حدودًا محددة لكل فئة باستخدام التعلم المنهجي، مما يمكنه من إنشاء تسميات زائفة دقيقة وغير متحيزة للرسوم البيانية الهدف. بالإضافة إلى ذلك، طورنا استراتيجية بسيطة ولكن فعالة لتداخل الرسوم البيانية تُسمى الجigsaw graph (الرسوم البيانية المتشابكة)، والتي تجمع بين الرسوم البيانية المؤكدة والرسوم البيانية غير المؤكدة، مما يمكن من تعزيز قدرات التعميم والمتانة عبر التعلم بالتوافق. تؤكد التجارب الواسعة على مجموعات البيانات المرجعية فعالية GALA.