يمتلك نقل النماذج بدون إشراف القدرة على تحسين أداء النماذج العميقة بشكل كبير في التعميم إلى مجالات جديدة. ومع ذلك، فإن الأدبيات الحالية تفترض أن تقسيم البيانات المستهدفة إلى مجالات متميزة معروف مسبقًا. في هذا البحث، نقترح مهمة التعلم غير المرتبط بالمجال (Domain-Agnostic Learning - DAL): كيف يمكن نقل المعرفة من مجال مصدر مصنف إلى بيانات مستهدفة غير مصنفة من مجالات عشوائية؟ لمعالجة هذه المشكلة، قمنا بتطوير ترميز ذاتي عصبي عميق جديد يعتمد على الخصم (Deep Adversarial Disentangled Autoencoder - DADA)، قادر على فصل الخصائص الخاصة بالمجال عن هوية الفئة. وقد أظهرنا تجريبيًا أن عند عدم معرفة تصنيفات المجال المستهدف، يؤدي DADA إلى أفضل الأداء الحالي على عدة مجموعات بيانات لتصنيف الصور.