フェデレーテッドラーニング（FL）は、複数の機密データソースを統合する分散型モデル開発を可能にする。しかし、クライアント間での情報伝達は、データの分布差異（すなわち非i.i.d.データ）によって影響を受けることがある。特に困難な状況は、ラベル付きデータにアクセスできないターゲットクライアントへのフェデレーテッドモデルの適応である。本研究では、ソースクライアント間の潜在的なドメイン差異を活用してターゲットドメイン内のドメインシフトを検出する「フェデレーテッド逆向クロストレーニング（FACT）」を提案する。FLの各ラウンドにおいて、FACTはペアのソースクライアントをクロス初期化し、ドメイン特化された表現を生成する。その後、その表現を直接的な敵対的要因として用いて、ドメイン不変なデータ表現を学習する。実証実験により、FACTは3つの代表的なマルチソース・シングルターゲットベンチマークにおいて、最先端のフェデレーテッド学習・非フェデレーテッド学習・ソースフリー領域適応モデルを上回ることを示した。また、シングルソース・シングルターゲット実験においても、最先端の非教師あり領域適応（UDA）モデルを凌駕した。さらに、通信制約や参加クライアント数の変化に対するFACTの挙動についても検討した。