エントロピー最小化は、非教師ありドメイン適応（UDA）において広く用いられている手法である。しかし、既存の研究では、エントロピー最小化のみに依存すると、退化した自明な解に陥る可能性があることが指摘されている。本稿では、そのような自明な解を回避するため、さらに多様性最大化を導入することを提案する。UDAにおけるターゲットリスクの可能な最小値を達成するためには、エントロピー最小化と多様性最大化のバランスを精緻に調整する必要があることを示す。このバランスの度合いは、非教師ありの枠組みで深層埋め込み検証（deep embedded validation）を用いることで細かく制御可能である。提案する最小エントロピー多様性最大化（MEDM）は、敵対学習を用いずに確率的勾配降下法によって直接実装可能である。実証的な結果から、MEDMは4つの代表的なドメイン適応データセットにおいて、最先端の手法を上回る性能を示した。