最近の研究では、エンドツーエンド型のタスク指向対話システムにおいて顕著な成果が報告されている。しかし、大多数のニューラルモデルは大規模な訓練データに依存しており、そのようなデータはナビゲーションやスケジューリングといった特定のタスク領域に限られている。これにより、ラベル付きデータが限られた新しい領域へのスケーラビリティが困難となる。一方で、すべての領域からのデータを有効に活用して、既存の領域および未観測の領域の性能を向上させる方法に関する研究は、まだ比較的少ない。このような課題に応じて、本研究ではドメイン知識を明示的に活用できる手法を検討し、共有知識と固有知識を学習するための共有・プライベートネットワークを導入する。さらに、ターゲットドメインと各ドメイン間の関連性を自動的に抽出・活用する新しいダイナミック融合ネットワーク（DF-Net）を提案する。実験結果から、本モデルはマルチドメイン対話において既存手法を上回り、文献上最高の性能を達成した。また、限られた訓練データ条件下でも、先行する最良モデルに対して平均13.9％の性能向上を示し、優れた転移能力を実証した。