非監督ドメイン適応（UDA）は、ラベルが豊富なソースドメインから完全にラベルのないターゲットドメインへ知識を転送することを目指しています。この課題に対処するために、最近の手法では疑似ラベルを用いてソースドメインとターゲットドメイン間のクラスレベル分布の揃えを強制する差別的なドメイン転送に頼っています。しかし、これらの方法は誤差蓄積に対して脆弱であり、したがってクロスドメインのカテゴリ一貫性を保つことができません。これは、疑似ラベリングの精度が明示的に保証されていないためです。本論文では、ターゲットドメイン内のクラス内変動を利用することで、ドメイン間で差別的な特徴量を段階的かつ効果的に揃える進行特徴量アライメントネットワーク（PFAN）を提案します。具体的には、まずイージー・トゥ・ハード転送戦略（EHTS）と適応的なプロトタイプアライメント（APA）ステップを開発し、モデルを反復的かつ交互に訓練します。さらに、良好なドメイン適応には通常ソース分類器が飽和していないことが必要であることを観察し、ソフトマックス関数に温度変数を取り入れることでソース分類損失の収束速度を遅らせる単純かつ効率的な方法を考えました。広範囲な実験結果は、提案されたPFANが3つのUDAデータセットにおいて最先端の性能を超えることを示しています。