Die unüberwachte Domänenanpassung (unsupervised domain adaptation) strebt danach, Wissen von einer Quelldomäne auf eine Zieldomäne zu übertragen, sodass die Daten der Zieldomäne ohne explizite Kennzeichnung für diese Domäne erkannt werden können. Eine Einschränkung dieser Problemstellung ist, dass Testdaten aus der Zieldomäne während des Trainings benötigt werden, obwohl sie keine Labels haben. Dies verhindert, dass das trainierte Modell direkt auf unbekannte Testinstanzen angewendet werden kann. Wir formulieren ein neues Problem der domänenübergreifenden Klassifikation, das sich aus realen Szenarien ergibt, in denen für einen Teil der Klassen (bekannte Klassen) in der Zieldomäne gekennzeichnete Daten verfügbar sind. Unser Ziel ist es, nach dem Lernen des Modells neue Proben zu erkennen, die zu jeder Klasse gehören (bekannten und unbekannten Klassen). Dies ist ein verallgemeinertes Problem des Nullschuss-Lernens (zero-shot learning), bei dem die Nebeninformation in Form von gekennzeichneten Proben aus der Quelldomäne stammt, anstelle der klassenbezogenen semantischen Repräsentationen, die im traditionellen Nullschuss-Lernen üblich sind. Wir präsentieren ein einheitliches Rahmenwerk für Domänenanpassung unter sowohl unüberwachten als auch Nullschuss-Lernbedingungen. Unser Ansatz lernt einen gemeinsamen Unterraum aus Quelldomäne und Zieldomäne, sodass die Projektionen beider Datensätze in diesem Unterraum domänenunabhängig und leicht trennbar sind. Als enabling technique verwenden wir die überwachte Lokalitätserhaltende Projektion (Supervised Locality Preserving Projection – SLPP) und führen Experimente unter sowohl unüberwachten als auch Nullschuss-Lernbedingungen durch. Dabei erzielen wir state-of-the-art Ergebnisse auf drei Benchmark-Datensätzen für Domänenanpassung: Office-Caltech, Office31 und Office-Home.