非監督ドメイン適応の目的は、ラベル付き（ソース）ドメインでの知識を活用して、ラベルなし（ターゲット）ドメインにおけるモデルの学習性能を向上させることである。基本的な戦略は、2つの分布間の不一致の影響を軽減することである。既存のほとんどのアルゴリズムは、非監督閉集合ドメイン適応（UCSDA）のみを処理できるが、これはソースとターゲットドメインが同じラベルセットを持つと仮定する設定である。本論文では、より困難だが現実的な設定である非監督開集合ドメイン適応（UOSDA）に焦点を当てる。UOSDAでは、ターゲットドメインにソースドメインには存在しない未知のクラスが含まれていると想定される。本研究では初めて、開集合ドメイン適応に対する学習境界を提供し、これを行うために理論的にターゲット分類器が未知のクラスに対して持つリスクを調査した。提案された学習境界には特別な項が含まれており、これが「開集合差異」であり、ターゲット分類器が未知のクラスに対して持つリスクを反映している。さらに、この開集合差異境界に基づいて正則化を行う新しい理論的根拠のある非監督アルゴリズムである「開集合差異に基づく分布アライメント（Distribution Alignment with Open Difference, DAOD）」を提示する。いくつかのベンチマークデータセットでの実験結果は、提案されたUOSDA手法が文献に報告されている最先端手法よりも優れた性能を示すことを示している。