يهدف التكيّف عبر المجال العام (UniDA) إلى نقل المعرفة المكتسبة من مجال مصدر غني بالعلامات إلى مجال هدف ناقص بالعلامات، دون أي قيود على فضاء العلامات. ومع ذلك، فإن الانزياح بين المجالات والانزياح في الفئات يجعل من UniDA تحديًا كبيرًا، والذي يكمن في جوهره في القدرة على تمييز العينات المشتركة "المعروفة" والعينات الخاصة "غير المعروفة". نادرًا ما استكشفت الدراسات السابقة العلاقة الهندسية الجوهرية بين المجالين، واعتمدت على تحديد حدّ يدوي لتصنيف مغلق مُبالغ في ثقته لرفض العينات "غير المعروفة". لذلك، في هذا البحث، نقترح إطارًا يُسمى GATE (GATE: Geometric anchor-guided Adversarial and conTrastive learning framework with uncErtainty modeling) يُعالج هذه المشكلات. بشكل محدد، نطوّر أولًا استراتيجية استخراج الأعمدة القائمة على المشي العشوائي مع آلية انتباه من الدرجة العالية لبناء تقابل بين المجالات. ثم نصمم نموذجًا للتوافق العالمي مع التجميع المحلي، أي التعلم التناقضي الهندسي لضبط التوزيع العالمي، والتعلم التبايني على مستوى المخطط الفرعي لدمج المناطق المحلية. وبالنسبة للكشف الدقيق عن العينات الخاصة في المجال الهدف، يُقدّم GATE تصنيفًا تدريجيًا عامًا من خلال نمذجة عدم اليقين في الطاقة. كما نُنتج بذكاء فئات جديدة باستخدام تقنية مزيج المانيفولد، ونُقلّل من الإنتروبيا المفتوحة لتعلم الحدّ "غير المعروف" بشكل تكيفي. وقد أظهرت التجارب الواسعة على ثلاث معايير أن GATE تتفوق بشكل كبير على الطرق السابقة الأفضل في مجال UniDA.