教師なしドメイン適応（Unsupervised domain adaptation）は、ラベル付きのソースドメインからラベルなしのターゲットドメインへ知識を転移することを目的としている。従来の敵対的ドメイン適応手法は、周辺分布または条件分布を独立して整列させるために、二値出力または$K$K次元出力を持つ識別器（discriminator）を採用していた。最近の実験では、識別器が両ドメインにおけるドメイン情報およびソースドメインにおけるラベル情報を同時に提供された場合、両ドメインに含まれる複雑な多モーダルな情報および高次元の意味情報を保持できることが示された。この知見に基づき、本研究では、単一の識別器を用いてドメインレベルとクラスレベルの両方の整列を同時に実現するため、$2K$2K次元出力を持つ識別器を採用した。しかし、単一の識別器ではドメイン間で有用な情報をすべて捉えることは困難であり、かつ、サンプルと決定境界との関係性についてはこれまでほとんど検討されてこなかった。マルチビュー学習およびドメイン適応分野の最新の進展に着目し、識別器と特徴抽出器の間の敵対的プロセスに加えて、二つの識別器が互いに競い合う新たなメカニズムを設計した。これにより、両識別器が互いに多様な情報を提供し合い、ソースドメインのサポート外にターゲット特徴が生成されるのを防ぐことが可能となる。本研究においては、ドメイン適応における二重敵対戦略（dual adversarial strategy）の探求が初めて行われたと認識している。さらに、表現の識別性を高めるために、半教師付き学習の正則化手法も用いている。実世界の2つのデータセットを用いた包括的な実験により、本手法が複数の最先端のドメイン適応手法を上回ることを実証した。