يُعدّ التصنيف اليدوي للبيانات الكبيرة من السحابات النقطية مجهودًا مُتعبًا نظرًا لبنيتها غير المنتظمة. وعلى الرغم من التقدّم الذي أحرزته طرق التعلّم التقابلية عبر الوسائط مثل CrossPoint وCrossNet في استغلال البيانات متعددة الوسائط للتعلّم ذاتيًا، إلا أنها ما زالت تعاني من عدم الاستقرار أثناء التدريب بسبب استخدام أوزان ثابتة للخسائر داخل الوسائط (IM) والخسائر عبر الوسائط (CM). وتُعدّ هذه الأوزان الثابتة غير قادرة على أخذ في الاعتبار معدلات التقارب المختلفة بين الوسائط المختلفة. نقترح AdaCrossNet، إطارًا جديدًا للتعلّم الذاتي لفهم السحابات النقطية، يعتمد آلية تكيّفية لضبط الأوزان بين التقابل داخل الوسائط وعبر الوسائط. يتعلم AdaCrossNet تمثيلات من خلال تعزيز التماثل بين السحابات النقطية ثلاثية الأبعاد والصور المُرسَمة ثنائية الأبعاد المرتبطة بها داخل فضاء مُشترك. كما أن آلية ضبط الأوزان الديناميكية توازن تلقائيًا مساهمات خسائر IM وCM أثناء التدريب، وذلك بناءً على سلوك التقارب لكل وسائط. ولضمان استقرار عملية التدريب، نستخدم متوسطًا متحركًا أسيًا (EWMA) لتنعيم تحديثات الأوزان. وقد أجرينا تجارب على مجموعات بيانات معيارية، بما في ذلك ModelNet40 وShapeNetPart وScanObjectNN. وأظهرت النتائج تفوق AdaCrossNet على الطرق الأخرى، حيث حقق دقة بلغت 91.4% في مهمة تصنيف ModelNet40. وفي مهمة التجزئة، بلغ متوسط مقياس IoU (mIoU) 85.1% في مهمة تجزئة ShapeNetPart. بالإضافة إلى ذلك، أظهر AdaCrossNet تحسينات كبيرة عند دمجه مع هيكل DGCNN على مجموعة بيانات ScanObjectNN، حيث بلغت دقة التصنيف 82.1%. يُعزز هذا الأسلوب كفاءة التدريب، ويُحسّن قابلية التعميم للتمثيلات المُكتسبة في المهام اللاحقة.