現在、教師なし深層ドメイン適応におけるニューラルネットワークアーキテクチャの分野では、統計的適応と敵対的適応が広く研究されている。特に敵対的適応は、理論的基盤の強さと実証的性能の優れさから、新たな標準として定着しつつある。しかし、二つの課題が存在する。第一に、最近の研究によれば、これらのアプローチは容易に転送可能な特徴に過剰に注目し、重要な識別的情報を軽視する傾向がある。第二に、敵対的ネットワークの学習は困難である。本研究では、第一の課題に対し、敵対的モデル内において転送可能なスペクトル特性の整合性を確保することで、容易に転送可能な特徴と必要不可欠な識別的特徴のバランスを調整するとともに、関連性に基づく制約によりドメイン固有の意味情報を学習するのを制限した。第二に、リプシッツ連続勾配を活用したスペクトル正規化を用いて、識別器ネットワークの学習プロセスを安定化させた。提案手法の理論的・実証的評価を行い、標準ベンチマークデータセットにおける性能評価を通じて、他の最先端手法と比較して本手法の有効性を示した。