Universal Domain Adaptation (UNDA) zielt darauf ab, sowohl Domänenverschiebung als auch Kategorienverschiebung zwischen zwei Datensätzen zu bewältigen, wobei die zentrale Herausforderung darin besteht, Wissen zu übertragen, während gleichzeitig unbekannte Klassen – jene, die im beschrifteten Quelldatensatz fehlen, aber im unbeschrifteten Ziel-Datensatz vorhanden sind – abgelehnt werden. Bestehende Methoden setzen manuell einen Schwellwert zur Ablehnung unbekannter Proben basierend auf Validierung oder einer vordefinierten Rate unbekannter Proben fest, doch diese Strategie ist praktisch nicht umsetzbar. In diesem Artikel schlagen wir eine Methode vor, den Schwellwert mithilfe von Quellproben zu lernen und ihn an die Ziel-Domäne anzupassen. Unser Ansatz basiert auf der Idee, dass eine minimale innerklassige Distanz in der Quelldomäne ein geeigneter Schwellwert sein sollte, um in der Ziel-Domäne zwischen bekannten und unbekannten Klassen zu unterscheiden. Um sowohl inter- als auch intraklassige Distanzen zu erlernen, schlagen wir vor, für jede Klasse einen One-vs-All-Klassifikator mit Hilfe der beschrifteten Quelldaten zu trainieren. Anschließend adaptieren wir den Offen-Mengen-Klassifikator an die Ziel-Domäne, indem wir die Klassen-Entropie minimieren. Das resultierende Framework ist das einfachste aller Baselines von UNDA und weist eine geringe Empfindlichkeit gegenüber dem Wert eines Hyperparameters auf, während es gleichzeitig die Baselines mit großem Abstand übertrifft.