La classification d'intention ouverte est une tâche complexe dans les systèmes de dialogue. D'une part, elle doit garantir la qualité de l'identification des intentions connues. D'autre part, elle doit détecter les intentions ouvertes (inconnues) sans connaissances préalables. Les modèles actuels sont limités dans leur capacité à trouver la frontière de décision appropriée pour équilibrer les performances des intentions connues et de l'intention ouverte. Dans cet article, nous proposons une méthode de post-traitement pour apprendre une frontière de décision adaptative (ADB) pour la classification d'intention ouverte. Nous utilisons d'abord les échantillons d'intentions connues étiquetés pour pré-entraîner le modèle. Ensuite, nous apprenons automatiquement une frontière de décision sphérique adaptative pour chaque classe connue grâce à l'aide des caractéristiques bien entraînées. Plus précisément, nous proposons une nouvelle fonction de perte pour équilibrer à la fois le risque empirique et le risque d'espace ouvert. Notre méthode n'a pas besoin d'échantillons d'intention ouverte et ne nécessite pas de modifier l'architecture du modèle. De plus, notre approche est surprenamment peu sensible à un nombre réduit d'échantillons étiquetés et à un nombre moindre d'intentions connues. Des expériences approfondies sur trois ensembles de données de référence montrent que notre méthode apporte des améliorations significatives par rapport aux méthodes les plus avancées actuellement disponibles. Le code source est disponible sur https://github.com/thuiar/Adaptive-Decision-Boundary.