Angesichts der Anfälligkeit von Deep-Learning-Modellen gegenüber Domänenverschiebungen wurden Methoden zur quellenfreien Domänenanpassung (Source-Free Domain Adaptation, SFDA) vorgeschlagen, um Modelle an neue, nicht gesehene Ziel-Domänen anzupassen, ohne Zugriff auf Quelldaten zu benötigen. Obwohl die potenziellen Vorteile der Anwendung von Datenaugmentierung in SFDA reizvoll sind, ergeben sich mehrere Herausforderungen, darunter die Abhängigkeit von vorhergehender Kenntnis von klassenerhaltenden Transformationen sowie die erhöhten Anforderungen an Speicherplatz und Rechenleistung. In diesem Paper stellen wir SF(DA)$^2$2 – Source-free Domain Adaptation Through the Lens of Data Augmentation – einen neuartigen Ansatz vor, der die Vorteile der Datenaugmentierung nutzt, ohne unter diesen Herausforderungen zu leiden. Wir konstruieren einen Augmentierungsgraphen im Merkmalsraum eines vortrainierten Modells unter Verwendung der Nachbarschaftsbeziehungen zwischen Zielmerkmalen und schlagen eine spektrale Nachbarschaftsclustering-Methode vor, um Partitionen im Vorhersageraum zu identifizieren. Darüber hinaus führen wir implizite Merkmalsaugmentierung und Merkmalsentkoppelung als Regularisierungsfunktionen ein, die die semantische Klassinformation innerhalb des Merkmalsraums effektiv ausnutzen. Diese Regularisierer simulieren die Einbeziehung einer unbegrenzten Anzahl von augmentierten Zielmerkmalen in den Augmentierungsgraphen, während gleichzeitig die Anforderungen an Rechenleistung und Speicherplatz minimiert werden. Unser Ansatz zeigt eine überlegene Anpassungsleistung in SFDA-Szenarien, einschließlich 2D-Bild- und 3D-Punktwolken-Datensätze sowie eines stark unbalancierten Datensatzes.