私たちは3Dセマンティックセグメンテーションのためのソースフリーアンスーパーバイズドドメインアダプテーション（SFUDA）という難問に取り組んでいます。これは、ソースデータへのアクセスなしで、ラベルの付いていないターゲットドメインでのドメインアダプテーションを実行することを意味します。利用可能な情報は、ソースドメインで高い性能を達成するために訓練されたモデルです。既存のSFUDA手法における一般的な問題は、訓練時間が経つにつれて性能が低下することであり、これは制約が不足しており問題設定が不適切であるための副産物です。この問題を緩和するための2つの戦略について議論します。まず、学習問題を正則化する合理的な方法を提案します。次に、参照モデルとの合意に基づく新しい基準を導入します。この基準は（1）適切なタイミングで訓練を停止し、（2）ターゲットドメインに関する知識なしでハイパーパラメータを選択する検証器として使用されます。私たちの貢献は実装が容易であり、すべてのSFUDA手法に対して即座に適用可能であり、すべてのベースラインに対して安定した改善を保証します。我々は様々な3D LiDAR環境において本研究の有効性を検証し、最先端の性能を達成しました。プロジェクトリポジトリ（コード付き）は以下の通りです：github.com/valeoai/TTYD。