本文提出了一种统一的方法，用于解决多个源域和目标域标签空间及注释假设的问题，该方法仅通过一个模型即可实现。特别是在处理源域和目标域标签空间完全不相交这一具有挑战性的情况时，该方法表现出色，在无监督和半监督设置下均优于其他替代方案。其核心成分是一种称为“公共因子化空间”（Common Factorised Space）的共同表示。该表示在源域和目标域之间共享，并通过无监督因子化损失和基于图的损失进行训练。通过广泛的实验，我们展示了该方法在处理标签空间不相交的挑战性情况以及更传统的场景（如无监督领域适应，其中源域和目标域共享相同的标签集）中的灵活性、相关性和有效性。