تُعدّ الحاجة إلى مجموعات بيانات كبيرة مُصنّفة أحد العوامل المحدودة لتدريب الشبكات العصبية العميقة الدقيقة بدقة. تُعالج التكيف غير المُراقب بين المجالات هذه المشكلة الناتجة عن قلة بيانات التدريب من خلال نقل المعرفة من مجال يحتوي على كميات كبيرة من البيانات المُصنّفة إلى مجال آخر يتوفر فيه قليل أو لا يوجد على الإطلاق بيانات مُصنّفة. إحدى الطرق الشائعة هي تعلُّم ميزات غير مُستقلة عن المجال، مثلاً باستخدام نهج مُضاد (adversarial). وغالبًا ما كانت الطرق السابقة تُدرّب شبكة تصنيف المجال وشبكة تصنيف التسمية بشكل منفصل، حيث تكون هناك تفاعلات محدودة بين كلا الشبكتين للتصنيف. في هذا البحث، نقدّم طريقة تعتمد على تصنيف المُدخلات لتحديد وزن مساحة الميزات، وذلك عبر تأثير التغذية العكسية (backprop-induced weighting). تتميز هذه الطريقة بميزتين رئيسيتين: أولاً، تمكّن شبكة تصنيف المجال من التركيز على الميزات ذات الأهمية للتصنيف، وثانيًا، تُعزّز الربط بين فرع التصنيف وفرع التحليل المُضاد بشكل أوثق. علاوةً على ذلك، نقدّم طريقة تكرارية لمحاذاة توزيع التسميات، تستخدم نتائج الجولات السابقة لتقريب تحميل بيانات متوازنة من حيث الفئات. أجرينا تجارب ودراسات تحليلية على ثلاث معايير معيارية: Office-31، OfficeHome، وDomainNet، لإثبات فعالية الخوارزمية المقترحة.