Unsupervised Domain Adaptation (DA)은 레이블이 있는 소스 도메인에서 훈련된 모델이 데이터 분포 변화가 있는 레이블이 없는 타겟 도메인에서 잘 수행되도록 적응하는 것을 목표로 한다. 본 논문은 DA 방법의 공정하고 현실적인 평가를 위한 프레임워크인 SKADA-bench를 제안한다. 컴퓨터 비전 외에 다양한 모달리티에서 DA 방법을 평가하며, 재가중, 매핑, 부분 공간 정렬 등 기존의 얕은 알고리즘에 대한 완전하고 공정한 평가를 제공한다. 중첩 교차 검증 및 다양한 무감독 모델 선택 점수를 통해 현실적인 하이퍼파라미터 선택을 수행하며, 시뮬레이션된 데이터 세트와 이미지, 텍스트, 생의학, 표 형식 데이터 등 다양한 실제 데이터 세트에서 평가한다. SKADA-bench는 오픈 소스이며, 재현 가능하며, 새로운 DA 방법, 데이터 세트 및 모델 선택 기준을 쉽게 확장할 수 있다.
