In dieser Arbeit wird ein einheitlicher Ansatz für Transferlearning vorgestellt, der mehrere Annahmen über die Labelräume und Annotationen von Quell- und Zielbereichen mit einem einzigen Modell abdeckt. Er ist besonders effektiv bei der Bewältigung eines herausfordernden Falles, in dem die Labelräume von Quell- und Zielbereich disjunkt sind, und übertrifft Alternativen sowohl in unüberwachten als auch in halbüberwachten Szenarien. Das entscheidende Element ist eine gemeinsame Darstellung, die als Common Factorised Space (gemeinsamer faktorisierter Raum) bezeichnet wird. Diese Darstellung wird zwischen den Quell- und Zielbereichen geteilt und mit einem unüberwachten Faktorisierungsverlust sowie einem graphbasierten Verlust trainiert. Durch eine Vielzahl von Experimenten zeigen wir die Flexibilität, Relevanz und Effizienz unserer Methode sowohl in den herausfordernden Fällen mit disjunkten Labelräumen als auch in den konventionelleren Fällen wie der unüberwachten Domänenanpassung, bei der Quell- und Zielbereiche denselben Satz an Labels teilen.