비지도 도메인 적응은 소스 도메인에서 대상 도메인으로 지식을 전송하여 이 대상 도메인의 데이터를 명시적인 라벨링 정보 없이 인식할 수 있도록 하는 것을 목표로 합니다. 이 문제 설정의 한 가지 제한점은, 훈련 중에 라벨이 없는 대상 도메인의 테스트 데이터가 필요하다는 점입니다. 이는 훈련된 모델이 직접적으로 미확인 테스트 인스턴스를 분류하는 데 사용되는 것을 방지합니다. 우리는 실제 시나리오에서 일부 클래스(알려진 클래스)에 대한 라벨링된 데이터가 대상 도메인에서 사용 가능하며, 모델 학습 후 어떤 클래스(알려진 클래스와 미확인 클래스)에도 속하는 새로운 샘플을 인식하기를 기대하는 새로운 크로스-도메인 분류 문제를 정식화하였습니다. 이는 소스 도메인에서 라벨링된 샘플 형태로 부가 정보가 제공되는 일반화된 제로샷 학습 문제입니다. 전통적인 제로샷 학습에서는 일반적으로 클래스 수준의 의미론적 표현이 사용되지만, 여기서는 그렇지 않습니다. 우리는 비지도 학습과 제로샷 학습 조건 모두에 대해 통합된 도메인 적응 프레임워크를 제시합니다. 우리의 접근 방식은 소스와 대상 도메인으로부터 공동 부분 공간을 학습하여, 이 부분 공간 내에서 두 데이터의 투영이 도메인 간 일관되고 쉽게 구분될 수 있도록 합니다. 우리는 감독형 근접성 보존 투영(SLPP) 기술을 활용하여 비지도 학습과 제로샷 학습 조건 모두에서 실험을 수행하였으며, Office-Caltech, Office31 및 Office-Home라는 세 개의 도메인 적응 벤치마크 데이터셋에서 최신 연구 결과를 달성하였습니다.