大規模なデータ収集とアノテーションのコストは、機械学習アルゴリズムを新しいタスクやデータセットに適用することを極めて高価なものにしてしまうことがあります。このコストを回避する一つの方法は、アノテーションが自動的に提供される合成データでモデルを訓練することです。しかし、これらのモデルはしばしば合成画像から実際の画像への一般化に失敗し、成功裏に適用する前にドメイン適応アルゴリズムによって操作する必要があります。既存のアプローチは、一方のドメインから他方へ表現をマッピングすること、またはドメインからの抽出に関係なく不変である特徴を学習することに焦点を当てています。しかし、両ドメイン間でのマッピングや共有表現を作成することだけに注力することで、各ドメイン固有の特性を見落としています。私たちは、各ドメインに固有なものを明示的にモデリングすることで、モデルがドメイン不変特徴を抽出する能力が向上すると提案します。プライベート-共有成分解析に関する研究から着想を得て、私たちは画像表現を2つの部分空間に分割して抽出する方法を明示的に学習します：1つは各ドメインに固有（プライベート）であり、もう1つはドメイン間で共有されています。私たちのモデルは、ソースドメインでのタスク遂行だけでなく、分割された表現を使用して両ドメインからの画像を再構築することも訓練されます。私たちの新しいアーキテクチャにより、一連の非監督型ドメイン適応シナリオにおいて最先端技術を超える性能を持つモデルが得られました。さらに、プライベートおよび共有表現の可視化も生成され、ドメイン適応過程の解釈が可能となっています。