Unsupervised Domain Adaptation (UDA) zielt darauf ab, das aus einem beschrifteten Quelldatensatz erlernte Wissen zu nutzen, um ähnliche Aufgaben in einem neuen, unbeschrifteten Domänenbereich zu lösen. Bisherige UDA-Methoden erfordern typischerweise den Zugriff auf die Quelldaten während des Adaptationsprozesses, was sie für dezentrale, private Daten risikoreich und ineffizient macht. In dieser Arbeit betrachten wir eine praktische Situation, bei der lediglich ein bereits trainiertes Quellmodell verfügbar ist, und untersuchen, wie man derartiges Modellwissen effektiv nutzen kann, ohne die Quelldaten zu benötigen, um UDA-Aufgaben zu lösen. Wir stellen einen einfachen, aber generischen Rahmen für die Repräsentationslernung vor, namens \emph{Source HypOthesis Transfer} (SHOT). SHOT fixiert das Klassifikationsmodul (die Hypothese) des Quellmodells und lernt das für die Zieldomäne spezifische Merkmalsextraktionsmodul durch Ausnutzung von Informationsmaximierung und selbstüberwachter Pseudolabeling, um die Repräsentationen der Zieldomäne implizit an die Hypothese der Quelldomäne anzupassen. Um die Allgemeingültigkeit zu überprüfen, evaluieren wir SHOT in einer Vielzahl von Adaptationsszenarien, einschließlich Closed-Set-, Partial-Set- und Open-Set-Domain Adaptation. Experimente zeigen, dass SHOT unter mehreren Domain-Adaptation-Benchmarks Ergebnisse auf State-of-the-Art-Niveau erzielt.