Die Erweiterung der visuellen Kategorisierung in ein neues Gebiet ohne zusätzliche Annotationen war seit langem ein interessantes Thema für die Multimedia-Intelligenz. Früher wurde diese Herausforderung durch unüberwachtes Domänenadaptation (UDA) angegangen. Angesichts von annotierten Daten aus einer Quelldomäne und nicht annotierten Daten aus einer Zieldomäne strebt UDA eine tiefgreifende Darstellung an, die sowohl diskriminativ als auch domäneninvariant ist. Während UDA sich auf die Zieldomäne konzentriert, argumentieren wir, dass die Leistung in beiden Domänen – Quelle und Ziel – von Bedeutung ist, da in der Praxis unbekannt ist, aus welcher Domäne ein Testbeispiel stammt. In diesem Artikel erweitern wir UDA durch das Vorschlagen einer neuen Aufgabe namens unüberwachte Domänenexpansion (UDE), die darauf abzielt, ein tiefes Modell mit den nicht annotierten Daten der Zieldomäne anzupassen, während gleichzeitig die Leistung des Modells in der Quelldomäne gewahrt bleibt. Wir schlagen Knowledge-Distillation-Domain-Expansion (KDDE) als allgemeine Methode für die UDE-Aufgabe vor. Ihr Modul zur Domänenadaptation kann mit jedem existierenden Modell instanziiert werden. Wir entwickeln einen Lernmechanismus basierend auf Wissensdistillation, der es ermöglicht, KDDE ein einziges Optimierungsziel zu verfolgen, bei dem Quelldomäne und Zieldomäne gleichwertig behandelt werden. Ausführliche Experimente an zwei wichtigen Benchmarks, nämlich Office-Home und DomainNet, zeigen, dass KDDE gegenüber vier wettbewerbsfähigen Baselines – DDC, DANN, DAAN und CDAN – sowohl für UDA- als auch für UDE-Aufgaben vorteilhaft ist. Unsere Studie ergibt zudem, dass aktuelle UDA-Modelle ihre Leistung in der Zieldomäne verbessern, jedoch auf Kosten eines bemerkbaren Leistungsverlusts in der Quelldomäne.