ドメイン適応は、ラベル付きのソースドメインとラベルなしのターゲットドメインの間で知識を転送する問題を扱う分野であり、両ドメインのデータ分布が著しく異なるという特徴を持つ。近年、敵対的訓練（adversarial training）がドメイン適応に成功裏に適用され、最先端の性能を達成している。しかし、現在の敵対的モデルには、敵対的訓練における均衡問題（equilibrium challenge）に起因する根本的な欠陥が依然として存在する。具体的には、既存の多くの方策がドメイン識別器を欺くことは可能であるものの、ソースドメインとターゲットドメインが十分に類似していることを保証できないという点である。本論文では、この問題に対処するため、新たなアプローチである「サイクル整合的条件付き敵対的転送ネットワーク」（Cycle-Consistent Conditional Adversarial Transfer Networks, 3CATN）を提案する。本手法は、敵対的訓練を活用してドメイン整合性を確保する。特に、学習された特徴量のクロス共分散と分類器の予測結果を条件として敵対的ネットワークを設計することで、データ分布の多モーダル構造を捉える。ただし、分類器の予測結果は確実な情報ではないため、予測が不正確な場合に予測に基づく強い制約を設けることはリスクを伴う。そこで、真のドメイン不変特徴量は、一方のドメインから他方のドメインへと変換可能であるべきであるという仮定を導入する。これを実現するために、条件付き敵対的ドメイン適応ネットワークに、二つの特徴変換損失と一つのサイクル整合性損失を導入する。古典的および大規模データセットにおける広範な実験により、本モデルが従来の最先端手法を顕著な向上幅で上回ることを確認した。