Universal Domain Adaptation (UniDA) zielt darauf ab, das aus einem label-reichen Quellbereich erlernte Wissen auf einen label-sparse Zielbereich zu übertragen, ohne Einschränkungen bezüglich des Labelraums. Allerdings machen Domain-Shift und Kategorien-Shift die UniDA äußerst herausfordernd, wobei die zentrale Schwierigkeit darin besteht, sowohl gemeinsame „bekannte“ als auch private „unbekannte“ Proben zu erkennen. Bisherige Ansätze erforschen selten die inhärente geometrische Beziehung zwischen den beiden Bereichen und setzen manuell einen Schwellwert für einen überzuvertrauensvollen Closed-World-Klassifikator fest, um „unbekannte“ Proben abzulehnen. Daher schlagen wir in diesem Artikel einen Geometrisch-anchor-gesteuerten adversarialen und kontrastiven Lernansatz mit Unsicherheitsmodellierung namens GATE vor, um diese Probleme zu mildern. Konkret entwickeln wir zunächst eine auf Random Walk basierende Anchor-Mining-Strategie in Verbindung mit einem Hochordnungs-Attention-Mechanismus, um Korrespondenzen zwischen den Bereichen aufzubauen. Anschließend wird ein Paradigma für globale gemeinsame lokale Domänenalignment entworfen, bestehend aus geometrisch adversariellen Lernverfahren zur globalen Verteilungskalibrierung und subgraph-basierter kontrastiver Lernverfahren zur lokalen Regionssammlung. Zur präzisen Erkennung privater Zielproben implementiert GATE einen universellen inkrementellen Klassifikator durch Modellierung der Energie-Unsicherheit. Zudem generieren wir effizient neue Kategorien mittels Manifold Mixup und minimieren die Open-Set-Entropie, um den „unbekannten“ Schwellwert adaptiv zu lernen. Umfassende Experimente an drei Benchmarks zeigen, dass GATE die vorherigen State-of-the-Art-Methoden für UniDA signifikant übertrifft.