بالنسبة للعامّة في المجال (Domain Generalization)، وهي المهمة المتعلقة بتعلم نموذج قادر على التعميم على مجالات مستهدفة غير مرئية باستخدام مجالات مصدر متعددة، تُطبّق العديد من الطرق التماثل بشكل صريح بين توزيعات المجالات. ومع ذلك، فإن عملية التحسين المتعلقة بتماثل المجالات تتضمن خطر التخصّص الزائد (Overfitting)، نظرًا لعدم توفر المجال المستهدف. ولحل هذه المشكلة، تُقدّم هذه الورقة طريقة لعامّة المجال من خلال استخدام تقنية التبادل الذاتي (Self-distillation). تهدف الطريقة المقترحة إلى تدريب نموذج مقاوم لتغير المجالات من خلال السماح بوجود تنبؤات خاطئة ذات معنى في مجالات متعددة. وبشكل محدد، تقوم طريقتنا بمحاذاة مجموعة التوزيعات التنبؤية للبيانات ذات التصنيف نفسه ولكنها تنتمي إلى مجالات مختلفة، مع كل توزيع تنبؤي على حدة. كما نقترح أيضًا طريقة إزالة الأسلوب (De-stylization) التي تُوحّد خرائط الميزات للصور، بهدف تعزيز التنبؤات المتسقة. أظهرت تجارب تصنيف الصور على معيارين مختلفين أن الطريقة المقترحة تُحسّن الأداء بشكل كبير في كل من البيئات ذات المصدر الواحد والمتعدد. كما نُظهر أن الطريقة تعمل بكفاءة في تجارب إعادة التعرف على الأشخاص (person-reID). وفي جميع التجارب، تُحسّن طريقتنا الأداء بشكل ملحوظ.