يهدف التكيّف الشامل للنطاق (Universal Domain Adaptation - UNDA) إلى التعامل مع كل من انزياح النطاق (domain-shift) وانزياح الفئة (category-shift) بين مجموعتي بيانات، حيث يكمن التحدي الرئيسي في نقل المعرفة مع رفض الفئات المجهولة التي لا توجد في بيانات المصدر المُعلَّمة ولكنها موجودة في بيانات الهدف غير المُعلَّمة. تعتمد الطرق الحالية على تحديد حدّ (threshold) يدويًا لرفض العينات المجهولة بناءً على التحقق أو نسبة مُحددة مسبقًا من العينات المجهولة، لكن هذه الاستراتيجية ليست عملية في الممارسة. في هذا البحث، نقترح طريقة لتعلم هذا الحد باستخدام عينات المصدر، ثم تكييفه للنطاق الهدف. تكمن فكرتنا في أن أصغر مسافة بين الفئات في النطاق المصدر يجب أن تكون حدًا جيدًا لتمييز ما إذا كانت العينة مجهولة أم معروفة في النطاق الهدف. لتعلم المسافات بين الفئات (inter-class) وداخل الفئة (intra-class)، نقترح تدريب فاصل ثنائي (one-vs-all classifier) لكل فئة باستخدام بيانات المصدر المُعلَّمة. ثم نُكيِّف الفاصل المفتوح النطاق (open-set classifier) للنطاق الهدف من خلال تقليل الانتروبيا الفئوية. يُشكِّل الإطار الناتج أبسط الإطارات المُقارنة بين جميع النماذج الأساسية (baselines) لـ UNDA، ويكون غير حساس لقيمة معامل فائق (hyper-parameter)، ومع ذلك يتفوق على النماذج الأساسية بفارق كبير.