روش‌های تطبیق دامنه، با کاهش اختلاف بین‌دامنه‌ای، مدل‌هایی تطبیق‌پذیر بین نمونه‌های آموزشی و آزمون ایجاد می‌کنند. هدف این روش‌ها، یافتن یک طبقه‌بند بر اساس داده‌های آموزشی است به‌طوری‌که دارای بیشترین انطباق با نمونه‌های آزمون باشد. در این مقاله، یک روش دومرحله‌ای با هدف حداقل‌سازی خطای طبقه‌بندی و حداکثرسازی سازگاری بین‌دامنه‌ای پیشنهاد شده است. روش پیشنهادی، ابتدا با ایجاد یک نمایش مشترک به کاهش اختلاف توزیع بین نمونه‌های آموزشی و آزمون پرداخته و سپس، یک مدل یادگیری با حداقل خطای پیش‌بینی در نمایش جدید ایجاد می‌کند. روش پیشنهادی، بر روی پایگاه داده‌های بصری شناخته‌شده از طریق طراحی آزمایش‌های مختلف مورد ارزیابی قرارگرفته است. نتایج نشان می‌دهند روش پیشنهادی عملکرد بهتری در پیش‌بینی برچسب نمونه‌های جدید، نسبت به روش‌های جدید حوزه تطبیق دامنه دارد.