Universal Domain Adaptation (UniDA) zielt auf den Wissenstransfer unter gleichzeitiger Berücksichtigung von Kovariaten- und Labelverschiebungen ab. Kürzlich ist die source-free Universal Domain Adaptation (SF-UniDA) entstanden, um UniDA ohne Zugriff auf Quelldaten zu erreichen, was aufgrund strenger Datenschutzbestimmungen praktikabler erscheint. Die zentrale Herausforderung besteht darin, zu bestimmen, ob beobachtete Kovariatenverschiebungen auf Klassen verweisen, die im Zielbereich privat und unbekannt sind. Bisherige Ansätze gehen hierbei entweder von handgefertigten Schwellenwerten oder zeitaufwändigen iterativen Clustering-Strategien aus. In diesem Artikel präsentieren wir eine neue Idee namens LEArning Decomposition (LEAD), die Merkmale in Quelle-gekannte und -unklare Komponenten zerlegt, um Zielbereichs-Private-Daten zu identifizieren. Technisch nutzt LEAD zunächst eine orthogonale Zerlegungsanalyse zur Merkmalszerlegung. Anschließend errichtet LEAD instanzbasierte Entscheidungsgrenzen, um Zielbereichs-Private-Daten adaptiv zu erkennen. Umfassende Experimente in verschiedenen UniDA-Szenarien belegen die Wirksamkeit und Überlegenheit von LEAD. Insbesondere im OPDA-Szenario auf dem VisDA-Datensatz erreicht LEAD eine Gesamthöchstwertsteigerung von 3,5 % im H-Score gegenüber GLC und reduziert die Zeit zur Ableitung von Pseudolabel-Entscheidungsgrenzen um 75 %. Darüber hinaus erweist sich LEAD als komplementär zu den meisten bestehenden Methoden. Der Quellcode ist unter https://github.com/ispc-lab/LEAD verfügbar.