本研究では、教師なしドメイン適応における2つの異なる概念を結びつけます。具体的には、タスク固有の決定境界を利用したドメイン間の特徴分布の整列とワッサーステイン距離（Wasserstein metric）です。我々が提案するスライストワッサーステイン相違（Sliced Wasserstein Discrepancy: SWD）は、タスク固有の分類器の出力間の自然な相違性を捉えるように設計されています。この方法は、ソースからのサポート範囲から遠いターゲットサンプルを検出するための幾何学的に意味のあるガイダンスを提供し、エンドツーエンドで学習可能な効率的な分布整列を可能にします。実験では、数字認識、標識認識、画像分類、セマンティックセグメンテーション、物体検出において、我々の手法の有効性と汎用性を検証しています。