领域自适应（Domain Adaptation）是指缓解来自不同领域数据之间分布差异的过程。本文表明，利用源域与目标域数据之间成对关系的领域自适应方法，可被形式化为一种图嵌入（Graph Embedding）方法，其中领域标签被融入内在图（intrinsic graph）与惩罚图（penalty graph）的结构之中。具体而言，我们分析了三种现有最先进监督式领域自适应方法的损失函数，并证明它们本质上均实现了图嵌入。此外，本文还指出了当前广泛用于验证这些方法少样本学习能力的实验设置中存在的若干泛化性与可复现性问题。为实现对监督式领域自适应方法的准确评估与比较，我们提出了一种修正后的评估协议，并在标准数据集 Office31（Amazon、DSLR、Webcam）、Digits（MNIST、USPS、SVHN、MNIST-M）以及 VisDA（Synthetic、Real）上报告了更新后的基准测试结果。