深層学習モデルがドメインシフトに対して脆弱であるという問題に対応して、ソースドメインデータにアクセスせずに新たな未観測ターゲットドメインにモデルを適応させる「ソースフリー・ドメイン適応（SFDA）」手法が提案されてきた。データ拡張をSFDAに適用する潜在的な利点は魅力的であるが、クラス保存変換に関する事前知識に依存する点や、メモリおよび計算コストの増加といった課題が存在する。本論文では、これらの課題に直面することなくデータ拡張の利点を活かす新しいアプローチ、すなわち「データ拡張の視点から見たソースフリー・ドメイン適応（SF(DA)²）」を提案する。我々は、事前学習済みモデルの特徴空間において、ターゲット特徴間の近傍関係を用いて拡張グラフを構築し、スペクトル近傍クラスタリングを導入して予測空間内のパーティションを同定する。さらに、特徴空間内のクラス意味情報を効果的に活用するための正則化項として、インプリシット特徴拡張および特徴分離を提案する。これらの正則化項は、無制限の拡張ターゲット特徴を拡張グラフに含めるシミュレーションを実現しつつ、計算およびメモリ負荷を最小限に抑える。実験結果から、本手法は2次元画像および3次元ポイントクラウドデータセット、さらには極めて不均衡なデータセットを含むSFDAシナリオにおいて、優れた適応性能を示した。