التكيف الجزئي للنطاق (Partial Domain Adaptation - PDA)، الذي يفترض أن فضاء التسميات في النطاق الهدف يشكل مجموعة جزئية من فضاء التسميات في النطاق المصدري، قد لاقى اهتمامًا كبيرًا في السنوات الأخيرة. وبسبب الفرق في فضاء التسميات بين هذين النطاقين، يُعد من الصعب تحقيق التماثل المباشر بينهما في إطار PDA. ولحل هذه المشكلة، نقترح طريقة جديدة تُسمى التكيف الجزئي المُختار (Selective Partial Domain Adaptation - SPDA)، والتي تُختار فيها البيانات المفيدة لعملية التكيف مع النطاق الهدف. بشكل مفصل، نصمم أولًا دالة تشابه من نوع "أقصى جيب التمام" (Maximum of Cosine - MoC) مُخصصة لـ PDA، بهدف اختيار البيانات المفيدة من النطاق المصدري لتقليل الفجوة بين النطاقين. في دالة التشابه MoC، يتم اختيار العينة من النطاق المصدري التي تمتلك أعلى تشابه جيبي مع كل عينة من النطاق الهدف، وذلك لغرض التكيف. علاوة على ذلك، نصمم طريقة تدريب مُختارة لإضافة بيانات الهدف المفيدة إلى النطاق المصدري. وتحديدًا، تقوم هذه الطريقة أولاً بتعيين تسميات وهمية (Pseudo-labels) للعينات الهدف باستخدام استراتيجية التدريب الذاتي، ثم تُضيف العينات الهدف ذات الثقة العالية في التسميات الوهمية إلى النطاق المصدري. وباستناد إلى هاتين العمليتين الاختياريتين، يمكن للطريقة المقترحة SPDA اختيار البيانات المفيدة لعملية التكيف بين النطاقين. وقد أظهرت التجارب على عدة مجموعات بيانات فعالية الطريقة المقترحة SPDA.