本論文では、分類器の教師なしドメイン適応を解決することを目指しています。ここでは、ソースドメインのラベル情報にアクセスできる一方で、ターゲットドメインのラベル情報は利用できません。この問題を解決するための様々な手法が提案されてきましたが、多くのアプローチは全体的な画像ベースのドメイン適応に焦点を当てています。しかし、画像の中にはより適切に適応できる領域が存在します。例えば、前景オブジェクトは性質が似ている場合があります。このような領域を得るため、我々は各領域の確率的な信頼度推定値を考慮し、分類時にこれらの領域に焦点を当てる手法を提案します。我々は、分類器の学習中にディスクリミネーターの確率的な信頼度を取り入れることにより、最近の手法と比較して様々なデータセット上で最先端の結果を得ることができることを確認しました。さらに、アブレーション分析、統計的有意性検定、注意マップおよびt-SNE埋め込みの可視化を通じて方法の徹底的な実証分析を行いました。これらの評価は、提案手法の有効性を明確に示しています。科技/学术术语处理：- 教師なしドメイン適応 (unsupervised domain adaptation)- 分類器 (classifier)- ソースドメイン (source domain)- ターゲットドメイン (target domain)- ディスクリミネーター (discriminator)- アブレーション分析 (ablation analysis)- 統計的有意性検定 (statistical significance test)- 注意マップ (attention map)- t-SNE埋め込み (t-SNE embedding)