我々は、教師なしドメイン適応（Unsupervised Domain Adaptation: UDA）のための新しい手法であるCHATTY（Coupled Holistic Adversarial Transport Terms with Yield）を提案する。 adversarial trainingは、ドメイン識別器ヘッドからの勾配を逆転させることで、ニューラルネットワークの特徴抽出層を学習し、ドメイン不変表現を獲得する手法として広く用いられている。本研究では、adversarialヘッドそのもの、その学習目的、および分類器ヘッドに重要な改良を加えた。クラス間の混同を低減する目的で、ソースドメインとターゲットドメインのサンプルの分類出力を、学習可能な方法で空間的に分離するサブネットワークを導入した。この移動を制御するために、新たな輸送損失（transport loss）を設計した。この損失は、クラスクラスタ間の距離を拡大し、ソースおよびターゲットドメインの両方において分類器が分類境界を明確に学習しやすくする効果を持つ。これまでに提案された損失関数の中から慎重に選定したものを組み合わせ、本手法に新たに導入した損失項を加えることで、ベンチマークデータセット上において、従来の最先端手法を上回る性能を達成した。アブレーションスタディおよび表現空間内におけるターゲットドメインサンプルの移動の可視化により、提案する損失項の重要性を実証した。