본 논문은 기계 학습 시스템이 훈련 및 테스트 데이터가 고정된 확률 분포에서 샘플링된다는 가정하에 작동하지만, 실제로는 데이터 획득 조건의 변화로 인해 이 가정이 거의 확인되지 않는다는 문제를 다룹니다. 따라서 데이터 분포 변화에 강인한 모델을 학습하기 위해 새로운 조건의 데이터에 대한 최소한의 접근만으로 비지도 도메인 적응을 수행하는 방법을 연구합니다. 특히, 도메인 간 매핑을 허용하는 최적 수송(Optimal Transport)을 활용하여 분포 변화를 분석하지만, 기존 최적 수송 방법의 계산 비용이 높다는 점을 해결하기 위해 가우시안 혼합 모델(GMM) 간의 최적 수송을 탐구합니다. GMM을 사용하면 계산 복잡도가 효율적으로 감소하며, 9개의 벤치마크, 총 85개의 적응 작업을 통해 기존의 shallow domain adaptation 방법보다 효율적이며, 샘플 수(n)와 차원(d)에 대해 잘 확장됨을 보여줍니다.