ドメイン適応は、新しいまたは未見の環境での学習において重要な役割を果たします。ドメイン敵対訓練により、深層ネットワークは分離可能で転送可能な特徴を学習し、ソースドメインとターゲットドメイン間のデータセットシフトを効果的に軽減することができます。ビッグデータ時代において、大規模なラベル付きデータセットの容易な入手可能性は、部分的なドメイン適応（Partial Domain Adaptation: PDA）への広範な関心を喚起しました。PDAは、ラベル付きの大規模ドメインからラベルなしの小規模ドメインへ認識器を転送する手法であり、標準的なドメイン適応をターゲットラベルがソースラベルの部分集合であるシナリオに拡張しています。ターゲットラベルが未知である条件下で、PDAの主要な課題は共有クラス内の関連例を転送して肯定的な転移を促進するとともに、特定クラス内の非関連例を無視して否定的な転移を緩和することです。本研究では、ソースドメインとターゲットドメイン間で領域不変表現を学習し、ソース例の転送可能性を量化しながらそのターゲットドメインにおける学習任務への重要性を制御する漸進的な重み付けスキームを持つ統一的なアプローチであるExample Transfer Network (ETN) を提案します。いくつかのベンチマークデータセットに対する詳細な評価結果は、当方の手法が部分的なドメイン適応タスクにおいて最先端の成果を達成していることを示しています。