コンピュータビジョンにおいて、ドメインシフトの問題にしばしば直面します。これは、ソースデータセットで学習した分類器を同じクラスを持つが、異なる潜在的なデータ構造（例えば、異なる取得条件）を持つターゲットデータに適用する際に発生します。このような状況では、モデルは新しいデータに対して性能が低下します。なぜなら、分類器はソースドメイン特有の視覚的特徴を認識するために専門化されているからです。本研究では、この問題に対処するための解決策としてDeepJDOTという手法を探索しました。最適輸送理論に基づく結合深層表現/ラベル間の不一致度を測定することで、ソースとターゲットドメイン間で揃えた新しいデータ表現を学習するとともに、分類器が使用する識別情報も同時に保存します。私たちはDeepJDOTを一連の視覚認識タスクに適用し、最先端の深層ドメイン適応手法と比較して優れた結果を得ました。