Unsupervised domain adaptation (UDA)은 labeled source domain과 unlabeled target domain 간의 분포 차이를 극복하고자 하는 연구 분야로, source domain의 정보를 학습한 모델이 분포가 다른 target domain에서도 우수한 예측 성능을 낼 수 있도록 하는 것을 목표로 한다. 이때, 최근에는 준지도학습에서 제안된 self-training (a.k.a pseudo-labeling) 기법을 이용하여 점진적으로 target domain에 모델을 적응시키는 방법론들이 제안되고 있다. 그러나 도메인 간 차이로 인하여 신뢰할 수 있는 target pseudo-labels에 대한 선별이 어렵고, 분포가 달라 부정확한 예측 값이 생성될 가능성이 높은 문제가 있다. 이처럼 잘못된 pseudo-labels로 인하여 오류가 누적될 경우, target domain에 대한 모델 학습 및 예측 정확도가 저하되는 문제를 해결하고자 다양한 선행연구가 제안되어왔다. 본 세미나에서는 self-training 기반 UDA 연구의 최근 동향을 살펴보고, 신뢰성 높은 pseudo-labels 생성을 위한 다양한 기법들을 소개하고자 한다.