本文研究了无监督域适应在行人重识别（re-ID）中的问题，目标是将源域的知识迁移到目标域。现有的方法主要集中在减少不同域之间的差异，但通常忽略了目标样本之间的关系。本文深入探讨了目标域内的变化，并提出了一种新的适应框架，该框架涉及三种潜在的不变性，即示例不变性（Exemplar-Invariance）、摄像机不变性（Camera-Invariance）和邻域不变性（Neighborhood-Invariance）。具体而言，引入了一个示例存储器来保存样本的特征，这可以有效地在整个数据集中强制执行不变性约束。我们进一步提出了基于图的正预测（Graph-based Positive Prediction, GPP）方法，以探索目标域中可靠的邻居关系。该方法基于存储器并在源样本上进行训练。实验结果表明：1) 三种不变性属性对于有效的域适应是不可或缺的；2) 存储器在实现不变性学习中起着关键作用，并且在有限的额外计算成本下提高了性能；3) GPP 方法能够促进不变性学习，从而显著提升结果；4) 我们的方法在三个大规模行人重识别基准测试中产生了最新的适应精度。