L’adaptation universelle de domaine (UniDA) vise à transférer les connaissances acquises à partir d’un domaine source riche en étiquettes vers un domaine cible pauvre en étiquettes, sans contrainte sur l’espace des étiquettes. Toutefois, le décalage de domaine et le décalage de catégorie rendent l’UniDA particulièrement difficile, principalement en raison de la nécessité de reconnaître à la fois les échantillons partagés « connus » et les échantillons privés « inconnus ». Les travaux antérieurs explorent rarement la relation géométrique intrinsèque entre les deux domaines, et ils fixent manuellement un seuil pour un classificateur fermé à forte confiance afin de rejeter les échantillons « inconnus ». Dans ce papier, nous proposons un cadre d’apprentissage géométrique ancré, adversarial et contrastif avec modélisation de l’incertitude, appelé GATE, afin de réduire ces limitations. Plus précisément, nous développons tout d’abord une stratégie d’extraction d’ancres basée sur une marche aléatoire combinée à un mécanisme d’attention d’ordre supérieur afin d’établir des correspondances entre les domaines. Ensuite, nous concevons un paradigme d’alignement global-local, à savoir un apprentissage adversarial géométrique pour une calibration globale des distributions et un apprentissage contrastif au niveau des sous-graphes pour une agrégation locale des régions. Pour une détection précise des échantillons privés du domaine cible, GATE introduit un classificateur incrémental universel en modélisant l’incertitude d’énergie. Nous générons également efficacement de nouvelles catégories via une interpolation manifolde (manifold mixup), et minimisons l’entropie en ouverture pour apprendre de manière adaptative le seuil correspondant aux « inconnus ». Des expériences étendues sur trois benchmarks démontrent que GATE surpasse significativement les méthodes état-de-l’art précédentes en UniDA.