Wir untersuchen eine praktische Aufgabenstellung im Bereich des Domänenanpassungs (Domain Adaptation), nämlich das sogenannte source-free unsupervised domain adaptation (UDA)-Problem, bei dem aufgrund von Datenschutzbedenken kein Zugriff auf Daten aus der Quelldomäne möglich ist, sondern lediglich ein vortrainiertes Quellmodell sowie unbeschriftete Daten aus der Zieldomäne zur Verfügung stehen. Diese Aufgabe ist jedoch äußerst herausfordernd, da eine zentrale Schwierigkeit besteht: Die Abwesenheit von Quelldaten sowie fehlende Labels für die Zieldomäne erschweren die Anpassung des Modells erheblich. Um diesem Problem zu begegnen, schlagen wir vor, das versteckte Wissen im Quellmodell zu extrahieren und es zur Generierung von sogenannten Source-Avatar-Prototypen (d. h. repräsentativen Merkmalen für jede Klasse der Quelldomäne) sowie zur Erzeugung von Ziel-Pseudolabels für die Domänenalignment-Optimierung zu nutzen. Dazu entwickeln wir eine Methode namens Contrastive Prototype Generation and Adaptation (CPGA). Konkret besteht CPGA aus zwei Phasen: (1) Prototypengenerierung: Unter Ausnutzung der Klassifikationsgrenzinformationen des Quellmodells trainieren wir einen Prototypengenerator mittels kontrastiver Lernverfahren, um Avatar-Prototypen zu erzeugen. (2) Prototypenanpassung: Basierend auf den generierten Quellprototypen und den Ziel-Pseudolabels entwickeln wir eine neue robuste kontrastive Anpassungsstrategie, um jedes pseudolabelte Zielobjekt dem entsprechenden Quellprototypen anzupassen. Umfangreiche Experimente an drei etablierten UDA-Benchmark-Datensätzen belegen die Wirksamkeit und Überlegenheit des vorgeschlagenen Ansatzes.