非監督ドメイン適応（Unsupervised Domain Adaptation: UDA）は、ターゲットドメインのデータに対して予測を行う一方で、手動アノテーションがソースドメインにのみ存在する状況を扱います。従来の手法はクラス情報を無視してドメイン間の差異を最小化することに焦点を当てており、これによりミスアライメントや低劣な汎化性能が生じることがあります。本論文では、この問題に対処するために、クラス内ドメイン間の差異とクラス間ドメイン間の差異を明示的にモデル化する新しい指標を最適化するコントラスト適応ネットワーク（Contrastive Adaptation Network: CAN）を提案します。CANのエンドツーエンドでの学習のために交互更新戦略を設計しました。実世界のベンチマークであるOffice-31およびVisDA-2017における実験結果は、CANが最先端の手法に対して有利に働き、より識別的な特徴量を生成することを示しています。