ドメイン適応（Domain Adaptation, DA）は、ソースドメインで学習した知識をラベルなしのターゲットドメインに転移することを目的としている。近年の研究の一部では、ソースドメインのデータは利用できないが、事前に学習されたソースモデルのみが利用可能な「ソースフリー・ドメイン適応（Source-Free Domain Adaptation, SFDA）」という設定に取り組んでいる。しかし、これらの手法は実用的な観点から極めて重要な「ソースドメインにおける性能の維持」を考慮していない。本論文では、適応過程においてターゲットドメインのラベルなしデータのみにアクセスできる条件下で、ソースドメインおよびターゲットドメインの両方で良好な性能を発揮するモデルを学習するという新しいドメイン適応枠組みである「汎化型ソースフリー・ドメイン適応（Generalized Source-free Domain Adaptation, G-SFDA）」を提案する。まず、ターゲット特徴量とその意味的に類似した近傍特徴量をクラスタリングすることを目的とした「局所構造クラスタリング（Local Structure Clustering, LSC）」を提案する。この手法は、ソースデータにアクセスできない状況下でも、ターゲットドメインに適応する効果的なモデル学習を可能にする。次に、「スパースドメインアテンション（Sparse Domain Attention, SDA）」を提案する。このアテンション機構は、異なるドメインごとに異なる特徴チャネルを活性化するバイナリ型のドメイン特有アテンションを生成する一方で、適応過程における勾配正則化に活用することで、ソースドメインの情報を保持する役割を果たす。実験結果によると、ターゲットドメインにおける性能に関して、本手法は既存のDAおよびSFDA手法と同等以上、あるいはそれを上回る性能を示す。特にVisDAデータセットにおいて、最先端の性能（85.4%）を達成した。また、単一または複数のターゲットドメインに適応した後でも、すべてのドメインにおいて良好な汎化性能を維持する。コードはGitHubにて公開されている：https://github.com/Albert0147/G-SFDA。