本論文では、ラベル付き訓練データがターゲットドメインとは異なる（ただし関連する）ソースドメインからしか利用できない特定のターゲットドメインにおける分類タスクを取り扱います。このようなタスクに関連する2つの密接に結びついたフレームワーク、ドメイン適応とドメイン汎化について考察します。これらのフレームワーク間の唯一の違いは、ラベルなしのターゲットデータの可用性です：ドメイン適応はラベルなしのターゲット情報を活用できますが、ドメイン汎化はできません。我々は、両方のドメイン適応とドメイン汎化に適用できる高速な表現学習アルゴリズムであるScatter Component Analysis (SCA)を提案します。SCAは、再生核ヒルベルト空間で動作する単純な幾何学的測定値である散逸（scatter）に基づいています。SCAはクラス間の分離度を最大化し、ドメイン間の不一致を最小化し、データ間の分離度を最大化する表現を見つけます；これらそれぞれは散逸を通じて量化されます。SCAの最適化問題は一般化固有値問題に帰着され、これにより高速かつ正確な解が得られます。ベンチマーククロスドメイン物体認識データセットでの包括的な実験により、SCAがいくつかの最先端アルゴリズムよりも遥かに高速に動作することと、両方のドメイン適応およびドメイン汎化において最先端の分類精度を提供することが確認されました。また、我々は散逸がドメイン適応の場合に理論的な汎化境界を確立するために使用できることも示しています。