لقد اكتسبت التكيف الجزئي للنطاق (PDA) اهتمامًا كبيرًا بفضل بيئة تطبيقها العملية. تُعد الطرق الحالية لتكييف النطاق الجزئي عادةً ما تُعدّل مُستخرج الميزات من خلال محاذاة توزيعات النطاق المصدر المعاد توزينها مع توزيع النطاق الهدف. في هذه الورقة، نُجري تجارب ونكتشف تجريبيًا أن تكييف الميزات عبر محاذاة التوزيع المعاد توزينه في بعض الطرق المتطورة لـ PDA ليس مقاومًا لـ "الوزن الضوضائي" للبيانات في النطاق المصدر، مما يؤدي إلى نقل نطاق سلبي على بعض المعايير الصعبة. وللتغلب على تحدي النقل السلبي للنطاق، نقترح منهجية جديدة تُسمى إعادة التوزين العدواني (AR)، التي تتعلم بشكل عدواني أوزان بيانات النطاق المصدر بهدف محاذاة توزيعات النطاق المصدر مع النطاق الهدف، ويتم تعلم شبكة التعرف العميقة القابلة للنقل على بيانات النطاق المصدر المعاد توزينها. استنادًا إلى هذه الفكرة، نقترح خوارزمية تدريب تُحدث بشكل متكرر معاملات الشبكة وتحسن أوزان بيانات النطاق المصدر. أظهرت التجارب الواسعة نتائج متميزة للمنهجية المقترحة على معايير ImageNet-Caltech وOffice-Home وVisDA-2017 وDomainNet. كما أكدت دراسات التحليل التفصيلي فعالية المنهجية المقترحة.