ドメインに対して不変な表現の学習は，ドメイン汎化，すなわちドメインシフトに対して頑健な分類器を構築するための標準的な手法である．しかし，ドメイン不変性を利用した既存手法はドメインとクラスの依存性を無視しているが，その従属性が存在する時は分類性能とドメイン不変性の間でトレードオフが生じる．本研究では，分類性能を妨げない範囲で不変性を最大化する新しい手法AFLAC（Adversarial Feature Learning with Accuracy Constraint）を提案する．この制約の理由は，ドメイン汎化の目的は未知のターゲットドメインへの分類であり不変性それ自体ではなく，不変性を優先することはドメイン汎化性能を損なう危険性があるからである．実験ではAFLACの性能がベースライン手法よりも高いことを確認し，ドメインとクラスの従属性を考慮することの重要性，およびその問題に対する提案手法の有効性を示す．
