이 논문은 의미 분할 맥락에서 소스 도메인에서 타겟 도메인으로 지식을 전이하는 비지도 도메인 적응(unsupervised domain adaptation)에 초점을 맞추고 있다. 기존의 접근 방식은 타겟 도메인의 레이블이 없는 데이터를 최대한 활용하기 위해 의사 레이블(pseudo label)을 지정된 진실(true ground truth)로 간주한다. 그러나 타겟 도메인 데이터의 의사 레이블은 주로 소스 도메인에서 학습된 모델에 의해 예측된다. 따라서 소스 도메인과 타겟 도메인 사이의 분포 차이로 인해 예측 오류가 불가피하게 발생하며, 이러한 오류는 최종 적응 모델로 전달되어 학습 과정의 품질을 크게 저해할 수 있다. 이 문제를 해결하기 위해 본 논문은 학습 과정 중에 예측 불확실성(prediction uncertainty)을 명시적으로 추정함으로써 비지도 의미 분할 적응에서 의사 레이블 학습을 보정하는 방법을 제안한다. 입력 이미지에 대해 모델은 의미 분할 예측 결과와 함께 예측의 불확실성도 출력한다. 구체적으로, 우리는 예측 분산(prediction variance)을 통해 불확실성을 모델링하고, 이를 최적화 목적 함수에 포함시킨다. 제안된 방법의 효과를 검증하기 위해, 대표적인 합성 데이터에서 실제 데이터로의 의미 분할 벤치마크인 GTA5 → Cityscapes 및 SYNTHIA → Cityscapes, 그리고 도시 간 전이 벤치마크인 Cityscapes → Oxford RobotCar 세 가지 환경에서 평가를 수행하였다. 광범위한 실험을 통해 제안된 방법이 (1) 예측 분산에 따라 동적으로 다른 신뢰도 임계값을 설정하며, (2) 노이즈가 있는 의사 레이블로부터의 학습을 보정하며, (3) 기존의 의사 레이블 학습 방식에 비해 상당한 성능 향상을 달성하고, 세 가지 벤치마크에서 경쟁력 있는 성능을 보임을 입증하였다.