大規模なラベル付きデータセットの必要性は、正確な深層ニューラルネットワークを訓練する上での制約要因の一つである。教師なしドメイン適応（Unsupervised Domain Adaptation）は、ラベル付きデータが豊富なドメインから、ラベル付きデータが限られている異なるドメインへ知識を転移することにより、こうした訓練データの不足問題に取り組む。一般的なアプローチとして、敵対的アプローチを用いたドメイン不変特徴の学習が挙げられる。従来の手法では、ドメイン分類器とラベル分類器のネットワークを別々に学習しており、両者の間にはほとんど相互作用がなかった。本論文では、分類器に基づく逆伝播による特徴空間への重み付けを提案する。この手法には主に二つの利点がある。第一に、ドメイン分類器が分類に重要な特徴に集中できるようにする点であり、第二に、分類ブランチと敵対ブランチの結合をより緊密にする点である。さらに、前回の実行結果を活用してクラスバランスの取れたデータローダーを近似する、反復的なラベル分布の整合化手法を導入する。本研究では、Office-31、OfficeHome、DomainNetの3つのベンチマークを用いて実験およびアブレーションスタディを行い、提案手法の有効性を検証した。