L’adaptation de domaine universelle (UNDA) vise à traiter à la fois le décalage de domaine et le décalage de catégorie entre deux jeux de données, le défi principal étant de transférer les connaissances tout en rejetant les classes inconnues absentes dans les données sources étiquetées mais présentes dans les données cibles non étiquetées. Les méthodes existantes fixent manuellement un seuil pour rejeter les échantillons inconnus en se basant sur une validation ou un ratio prédéfini de classes inconnues, mais cette approche n’est pas pratique. Dans cet article, nous proposons une méthode permettant d’apprendre automatiquement ce seuil à partir des échantillons sources et de l’adapter au domaine cible. L’idée principale repose sur le fait que la distance inter-classe minimale observée dans le domaine source constitue un bon seuil pour distinguer, dans le domaine cible, les classes connues des inconnues. Pour estimer les distances inter- et intra-classe, nous proposons d’entraîner un classifieur un contre tous pour chaque classe à partir des données sources étiquetées. Ensuite, nous adaptons ce classifieur ouvert au domaine cible en minimisant l’entropie des classes. Le cadre résultant est le plus simple parmi tous les baselines de l’UNDA, peu sensible à la valeur d’un hyperparamètre, tout en surpassant significativement les méthodes de référence.