非監督モデル転移は、新しいドメインへの深層モデルの汎化性能を大幅に向上させる可能性を持っています。しかし、現時点での研究では、ターゲットデータが事前に異なるドメインに分離されていることが前提となっています。本論文では、ドメイン非依存学習（Domain-Agnostic Learning: DAL）という課題を提案します。これは、ラベル付きのソースドメインから任意のラベルなしターゲットドメインへの知識転移方法を探求するものです。この問題に対処するために、我々は新たな深層敵対分離オートエンコーダー（Deep Adversarial Disentangled Autoencoder: DADA）を開発しました。DADAは、ドメイン固有の特徴とクラス同一性を分離する能力を持っています。実験結果により、ターゲットドメインのラベルが未知の場合でも、DADAが複数の画像分類データセットで最先端の性能を達成することを示しています。