視覚ドメイン適応は、ソースドメインからの知識を活用して、ターゲットドメインに対する堅牢な分類器を学習することを目指しています。既存の手法は、クロスドメイン分布のアライメントを試みるか、多様体部分空間学習を行うかのいずれかです。しかし、この分野には2つの重要な課題があります：(1) 悪化した特徴変換（degenerated feature transformation）、つまり分布アライメントはしばしば元の特徴空間で行われますが、その空間では特徴の歪みが克服しにくいです。一方、部分空間学習だけでは分布間の乖離を十分に削減できません。(2) 評価されていない分布アライメント（unevaluated distribution alignment）、つまり既存の分布アライメント手法は周辺分布と条件付き分布を同等に重要視してアライメントを行いますが、実際のアプリケーションにおいてこれらの2つの分布が異なる重要性を持つことを評価できていません。本論文では、これらの課題に対処するための多様体埋め込み分布アライメント（Manifold Embedded Distribution Alignment: MEDA）手法を提案します。MEDAは構造的风险最小化のもとでグラスマン多様体上でドメイン不変の分類器を学習するとともに、周辺分布と条件付き分布の相対的な重要性を定量的に考慮する動的な分布アライメントを行います。当該研究者らが知る限り、MEDAは多様体ドメイン適応における動的な分布アライメントを行う最初の試みです。広範な実験により、MEDAが最先端の伝統的および深層学習手法と比較して分類精度において著しい改善を示していることが確認されました。