近年、最大分類器差異法（Maximum Classifier Discrepancy Method）は、画像分類における非教師付きドメイン適応（Unsupervised Domain Adaptation, UDA）タスクにおいて大きな成功を収めている。この手法の基本構造は、特徴生成器と2つの分類器から構成されており、ターゲットサンプルの分類器差異を最大化しつつ、生成器による差異を最小化することを目的としている。従来の敵対的学習手法に比べ、クラス境界付近のターゲットサンプルに対する分類の曖昧性を解消するため、タスク固有の分類器を用いることで性能を向上させている。本論文では、最大分類器差異法の性能をさらに向上させるため、改良されたネットワークアーキテクチャと2つの学習目的を提案する。第一の学習目的は、特徴レベルでの差異を最小化し、生成器がドメイン不変な特徴を生成するように制約するものである。この目的は、ソースドメインとターゲットドメインの分布が著しく異なる場合に特に有効である。第二の学習目的はミニバッチレベルで動作し、ターゲットクラス予測の期待値のエントロピーを最大化することで、ターゲットクラス予測が均一な分布となるように促進するものである。広範な実証評価を通じて、提案するアーキテクチャおよび学習目的が元のアルゴリズムの性能を著しく向上させることを示した。さらに、多数の非教師付きドメイン適応タスクにおいて、既存の最先端技術を上回る性能を達成している。