視覚分類を新たなドメインに拡張する際、追加のアノテーションなしで行うことは、マルチメディアインテリジェンスにおける長年の関心事項となっています。従来、この課題は無監督ドメイン適応（UDA）によって取り組まれてきました。ソースドメインからのラベル付きデータとターゲットドメインからのラベルなしデータが与えられた場合、UDAは判別的かつドメイン不変な深層表現を求めます。UDAは主にターゲットドメインに焦点を当てていますが、私たちは実践的にはテストサンプルがどのドメインから来ているかが未知であるため、ソースドメインとターゲットドメインの両方での性能が重要であると考えています。本論文では、UDAを拡張し、新しい課題として無監督ドメイン拡張（UDE）を提案します。UDEは、ターゲットドメインのラベルなしデータを使用してそのドメインへの深層モデルの適応を目指す一方で、ソースドメインでのモデルの性能を維持することを目指します。UDE課題に対する一般的な手法として、Knowledge Distillation Domain Expansion (KDDE) を提案します。そのドメイン適応モジュールは既存の任意のモデルで具体化することができます。私たちは知識蒸留に基づく学習メカニズムを開発し、これによりKDDEはソースドメインとターゲットドomainが同等に扱われる単一の目的関数を最適化することが可能となります。Office-HomeおよびDomainNetという2つの主要ベンチマークにおける広範な実験結果から、KDDEはDDC, DANN, DAAN, およびCDANという4つの競合基準に対してUDAおよびUDE課題において有利な性能を示していることが明らかになりました。また、私たちの研究では現在のUDAモデルがターゲットドメインでの性能向上のためにソースドメインでの顕著な性能低下を伴っていることも明らかになりました。