En astronomía, comprender las trayectorias evolutivas de las galaxias requiere un análisis robusto de sus historias de formación estelar (SFHs), una tarea complicada por nuestra incapacidad para observar estas vastas entidades celestiales a lo largo de sus vidas de mil millones de años. Este estudio pionero aplica el Procedimiento de Estimación de Importancia de Kullback-Leibler (KLIEP), una técnica de adaptación de dominio no supervisada, para abordar este desafío. Al aplicar hábilmente KLIEP, aprovechamos el poder del aprendizaje automático para predecir de manera innovadora las SFHs, utilizando modelos de galaxias simuladas para forjar un nuevo vínculo entre la simulación y la observación. Esta metodología representa un avance sustancial más allá de los enfoques bayesianos tradicionales para el análisis de la Distribución de Energía Espectral (SED), que a menudo se ven socavados por la ausencia de puntos de referencia empíricos de SFH. Nuestras investigaciones empíricas revelan que KLIEP mejora notablemente la precisión y fiabilidad de la inferencia de SFH, ofreciendo un salto significativo en comparación con las metodologías existentes. Los resultados subrayan el potencial de KLIEP para refinar nuestra comprensión de la evolución galáctica, allanando el camino para su aplicación en el análisis de observaciones astronómicas reales. Junto a este artículo, proporcionamos acceso al código y conjunto de datos de apoyo en GitHub, fomentando una mayor exploración y validación de la eficacia de KLIEP en el campo.