本論文では、単一のモデルで複数のソースドメインとターゲットドメインのラベル空間およびアノテーションの仮定を扱う統合的な転移学習手法について述べています。特に、ソースとターゲットのラベル空間が互いに排他的な困難なケースにおいて効果的であり、非監督学習および半監督学習の両設定で他の手法を上回っています。この手法の鍵となる要素は「共通因子化空間（Common Factorised Space）」と呼ばれる共通表現です。これはソースドメインとターゲットドメイン間で共有され、非監督因子化損失とグラフベース損失を使用して訓練されます。広範囲にわたる実験を通じて、当手法の柔軟性、関連性、および効果性を示しており、ラベル空間が互いに排他的な困難なケースだけでなく、ソースドメインとターゲットドメインが同じラベルセットを共有するような従来型の非監督ドメイン適応などのケースでもその優れた性能を確認しています。