本研究では、ラベル付きデータドメインから近似推論モデルを学習し、ラベルなしデータドメインへ良好な一般化を期待する非教師付きドメイン適応問題に注目する。非教師付きドメイン適応の成功は、主にドメイン間の特徴一致に依存している。従来の手法では、分類器によって誘導される差異を用いて潜在特徴を直接一致させようとする試みがなされている。しかしながら、ドメイン間のギャップが大きい場合には、このような直接的な特徴一致によって共通の特徴空間を学習できるとは限らない。この問題を解決するために、事前分布のガイドのもとで、潜在特徴分布を間接的に一致させるガウス誘導型潜在特徴一致手法を提案する。この間接的なアプローチにより、両ドメインからのサンプルの分布が共通の特徴空間、すなわち事前分布の空間上に構築されることとなり、より優れた特徴一致が促進される。さらに、この事前分布とターゲットの潜在分布を効果的に一致させるために、エンコーダ-デコーダ構造の定式化を活用した新たな非ペア型L1距離を提案する。9つのベンチマークデータセットに対する広範な評価により、最先端手法を上回る優れた知識転移性能が確認されるとともに、既存手法に対する顕著な改善が示され、本手法の汎用性が実証された。