无监督领域自适应 (DA) 旨在使在标记源域中训练的模型能够在具有不同数据分布的无标记目标域中表现良好。本文提出了 SKADA-bench，这是一个用于公平、真实地评估 DA 方法的框架。它评估了计算机视觉之外各种模态的 DA 方法，并对现有的浅层算法（例如重新加权、映射和子空间对齐）提供了完整、公平的评估。它使用嵌套交叉验证和各种无监督模型选择分数执行真实的超参数选择，并在模拟数据集和各种真实数据集（包括图像、文本、生物医学数据和表格数据）上进行评估。SKADA-bench 是开源的、可复制的，并且易于扩展到新的 DA 方法、数据集和模型选择标准。
