Domain Adaptation zielt darauf ab, Wissen zu übertragen, trotz bestehender Domänenunterschiede (Domain Gap). Bestehende Methoden zur Domain Adaptation setzen reichhaltiges Vorwissen über die Beziehung zwischen den Labelmengen der Quell- und Ziel-Domäne voraus, was ihre Anwendung in realen, unkontrollierten Szenarien stark einschränkt. In dieser Arbeit führen wir Universal Domain Adaptation (UDA) ein, das keinerlei Vorwissen über die Labelmengen erfordert. Gegeben eine Quell- und eine Ziel-Labelmenge können beide eine gemeinsame Labelmenge enthalten sowie jeweils eine private Labelmenge aufweisen, was einen zusätzlichen Kategorienunterschied (Category Gap) verursacht. Eine UDA-Methode muss ein Modell in der Lage sein, (1) ein Ziel-Beispiel korrekt zu klassifizieren, falls es einem Label aus der gemeinsamen Labelmenge zugeordnet ist, oder (2) es als „unbekannt“ zu markieren, andernfalls. Besonders wichtig ist, dass ein UDA-Modell stabil auf einer breiten Bandbreite an Gemeinsamkeitsgraden (d. h. dem Anteil der gemeinsamen Labelmenge an der Gesamtlabelmenge) funktioniert, um reale Probleme mit unbekannten Ziel-Labelmengen bewältigen zu können. Um das Problem der Universal Domain Adaptation zu lösen, schlagen wir das Universal Adaptation Network (UAN) vor. UAN quantifiziert die Übertragbarkeit auf Beispiel-Ebene, um die gemeinsame Labelmenge sowie die jeweils domänen-spezifischen Labelmengen zu erkennen. Dadurch fördert es die Adaptation innerhalb der automatisch erkannten gemeinsamen Labelmenge und erkennt „unbekannte“ Beispiele erfolgreich. Eine umfassende Evaluation zeigt, dass UAN die derzeit besten Methoden der geschlossenen, partiellen und offenen Domain Adaptation im neuen UDA-Setting übertrifft.