من المهم بشكل كبير تعلم رفض العينات المجهولة (التي لا توجد في الفئات المصدرية) في المجال الهدف ضمن إطار التكييف بين المجالات غير المراقب (UDA). توجد نوعان شائعان من سيناريوهات UDA: السيناريو المفتوح (open-set) والسيناريو المفتوح الجزئي (open-partial-set)، حيث يفترض الأخير أن ليس كل الفئات المصدرية تظهر في المجال الهدف. ومع ذلك، فإن معظم الطرق السابقة صُمّمت لسيناريو واحد فقط من سيناريوهات UDA، وتؤدي أداءً ضعيفًا دائمًا في السيناريو الآخر. علاوة على ذلك، تتطلب هذه الطرق عادةً بيانات مصدر مُعلَّمة أثناء عملية التكييف، مما يحد من استخدامها في التطبيقات التي تهتم بخصوصية البيانات. ولحل هذه المشكلات، يُقدّم هذا البحث إطارًا يُسمى "تكييف النموذج الشامل" (UMAD)، الذي يتعامل مع كلا سيناريوهات UDA دون الحاجة إلى الوصول إلى بيانات المصدر أو معرفة مسبقة بتحول الفئات بين المجالات. وبشكل خاص، نهدف إلى تعلُّم نموذج مصدر باستخدام تصنيف متعدد الرؤوس (two-head classifier) مصمم بعناية، ثم نقدّمه إلى المجال الهدف. أثناء عملية التكييف، نطوّر معامل اتساق مفيد يساعد في التمييز بين العينات المجهولة والعينات المعروفة. ولتحقيق التكييف الثنائي الاتجاه في المجال الهدف، نُعزز بشكل متزامن المعلومات التبادلية الموضعية لتوحيد العينات المعروفة مع تصنيف المصدر، ونستخدم خسارة إنتروبية لدفع العينات المجهولة بعيدًا عن الحد الفاصل لتصنيف المصدر. تُظهر التجارب التي أُجريت على سيناريوهات UDA المفتوحة والمفتوحة الجزئية أن UMAD، باعتباره نهجًا موحدًا لا يعتمد على بيانات المصدر، يُظهر أداءً مماثلًا، إن لم يكن أفضل، من الطرق الحديثة المتقدمة التي تعتمد على البيانات.