Neuere Fortschritte im Bereich der Domänenanpassung zeigen, dass tiefes Selbsttraining eine leistungsfähige Methode für das unüberwachte Domänenadaptieren darstellt. Diese Methoden beinhalten oft einen iterativen Prozess, bei dem auf der Ziel-Domäne vorhergesagt wird und die sicheren Vorhersagen als Pseudo-Labels für das erneute Training verwendet werden. Allerdings können Pseudo-Labels rauschig sein, wodurch das Selbsttraining übermäßiges Vertrauen in falsche Klassen legen kann und zu abweichenden Lösungen mit verbreiteten Fehlern führt. Um dieses Problem anzugehen, schlagen wir ein Konfidenzregulierungs-Selbsttrainingsrahmenwerk (CRST) vor, das als reguliertes Selbsttraining formuliert ist. Unsere Methode behandelt Pseudo-Labels als kontinuierliche latente Variablen, die durch alternierende Optimierung gemeinsam optimiert werden. Wir schlagen zwei Arten von Konfidenzregulierung vor: Labelregulierung (LR) und Modellregulierung (MR). CRST-LR generiert weiche Pseudo-Labels, während CRST-MR die Glattheit der Netzwerkausgabe fördert. Ausführliche Experimente zur Bildklassifizierung und semantischen Segmentierung zeigen, dass CRSTs ihre nicht-regulierten Gegenstücke mit Stand der Technik übertreffen. Der Code und die Modelle dieser Arbeit sind unter https://github.com/yzou2/CRST verfügbar.