我々は、データプライバシー上の問題によりソースドメインのデータにアクセスできないが、事前学習済みのソースモデルおよびラベルなしのターゲットデータは利用可能であるという実用的なドメイン適応タスク、すなわち「ソースフリー非監督ドメイン適応（Source-Free Unsupervised Domain Adaptation: Source-Free UDA）」を研究する。このタスクは、ソースデータの欠如およびターゲットドメインのラベルの不在という主要な課題により、非常に困難である。これを克服するため、我々はソースモデル内に隠された知識を抽出し、それを活用して各ソースクラスに対する代表的な特徴（ソースアバター原型）を生成するとともに、ターゲットデータに対する擬似ラベルを導出し、ドメイン間の整合性を図る手法を提案する。具体的には、対照的原型生成および適応（Contrastive Prototype Generation and Adaptation: CPGA）という手法を提案する。CPGAは以下の2段階から構成される：（1）原型生成：ソースモデルの分類境界情報を活用し、対照学習を用いてアバター原型を生成するための原型生成器を学習する。（2）原型適応：生成されたソース原型とターゲットの擬似ラベルを基に、新たなロバストな対照的原型適応戦略を構築し、各擬似ラベル付きターゲットデータを対応するソース原型に適応させる。3つのUDAベンチマークデータセットを用いた広範な実験により、本手法の有効性および優位性が確認された。