非監督ドメイン適応は、ソースドメインからターゲットドメインへの知識の転送を目的とし、ターゲットドメインのデータがこのドメインに明示的なラベル情報なしで認識できるようにすることを目指しています。この問題設定の制限の一つは、テストデータ（ラベルなし）がトレーニング中に必要であることです。これは、学習済みモデルが直接未見のテストインスタンスを分類することができない原因となっています。私たちは、現実世界の状況から派生する新しいクロスドメイン分類問題を定式化しました。この問題では、ターゲットドメイン内の一部のクラス（既知クラス）に対してラベル付きデータが利用可能であり、モデルが学習された後には任意のクラス（既知および未見クラス）に属する新しいサンプルを認識することが期待されます。これは、従来のゼロショット学習で一般的に使用されるクラスレベルの意味表現ではなく、ソースドメインからのラベル付きサンプルという形での補助情報を持つ一般化ゼロショット学習問題です。私たちは、非監督学習条件とゼロショット学習条件の両方に対する統一されたドメイン適応フレームワークを提示します。私たちのアプローチは、ソースドメインとターゲットドメインから共通部分空間を学習し、その部分空間における両方のデータの射影がドメイン間で不変かつ容易に分離できるようにすることです。私たちは監督付き局所保存射影（Supervised Locality Preserving Projection, SLPP）を有効な技術として使用し、非監督学習条件とゼロショット学習条件の下で実験を行い、Office-Caltech, Office31 および Office-Home の3つのドメイン適応ベンチマークデータセットにおいて最先端の結果を得ました。