Few-Shot-Lernen hat beeindruckende Fortschritte bei der Bewältigung der entscheidenden Herausforderungen gemacht, unbekannte Stichproben aus neuen Klassen in Zielsuchmengen zu erkennen und visuelle Verschiebungen zwischen Domains zu verwalten. Dennoch sind bestehende Techniken bei der Identifikation von Ziel-Ausreißern unter Domain-Verschiebungen, indem sie lernen, Pseudo-Ausreißer aus dem Quelldomain abzulehnen, unzureichend, was zu einer unvollständigen Lösung beider Probleme führt. Um diese Herausforderungen umfassend anzugehen, schlagen wir einen neuen Ansatz vor, den wir Domain Adaptive Few-Shot Open Set Recognition (DA-FSOS) nennen, und stellen eine auf Meta-Lernen basierende Architektur namens DAFOSNET vor. Während des Trainings lernt unser Modell einen gemeinsamen und diskriminativen Einbettungsraum zu erstellen und gleichzeitig eine Pseudo-Offenheitsentscheidungsgrenze zu definieren, gegeben ist ein vollständig überwachter Quelldomain und ein label-disjunkter Few-Shot-Zieldomain. Um die Daten-Dichte zu erhöhen, verwenden wir ein Paar bedingter adversarischer Netze mit einstellbaren Rauschvarianzen, um sowohl die geschlossenen als auch die Pseudo-offenen Räume beider Domains zu erweitern. Darüber hinaus schlagen wir eine domain-spezifische Batch-Normalisierungsalgorithmik für die Ausrichtung von Klassenprototypen vor, um beide Domains global auszurichten und gleichzeitig durch neuartige Metrikziele die Klassendifferenzierung sicherzustellen. Unser Trainingsansatz gewährleistet, dass DAFOSNET sich gut auf neue Szenarien im Zieldomain verallgemeinern kann. Wir präsentieren drei Benchmarks für DA-FSOS basierend auf den Datensätzen Office-Home, mini-ImageNet/CUB und DomainNet und demonstrieren die Effektivität von DAFOSNET durch umfangreiche Experimente.