ラベルセットとドメイン構成に応じて、クローズドセットおよび部分セットのドメイン適応（DA）、複数ソースおよび複数ターゲットのDAなど、さまざまなDAシナリオが存在します。既存のDA手法は一般的に特定のシナリオ向けに設計されており、それ以外のシナリオでは性能が低下する可能性があることに注意が必要です。この課題に対処するために、本論文では汎用的なドメイン適応（Versatile Domain Adaptation: VDA）を研究し、同一の手法で複数の異なるDAシナリオを扱うことが可能な方法を探ります。この目標に向けて、ドメインアライメント以外にもより一般的な帰納的バイアスを探索すべきです。私たちは既存手法における欠落している要素であるクラス混同に焦点を当てます。これは、分類器がターゲット例に対して正解クラスと曖昧なクラス間での予測を混同する傾向であり、異なるDAシナリオでよく見られます。私たちは、このようなペアワイズなクラス混同を減らすことで有意な転移効果が得られることを見出しました。この洞察に基づいて、一般化された損失関数である最小クラス混同（Minimum Class Confusion: MCC）を提案します。MCCは以下の特徴を持っています。(1) 明示的なドメインアライメントを行わない非対抗的なDA手法であり、収束速度が速い；(2) クローズドセット、部分セット、複数ソース、および複数ターゲットの4つの既存シナリオを扱える汎用的なアプローチであり、これらのシナリオにおいて最新の手法を超える性能を発揮します。特に最大規模かつ難易度が高いデータセット（DomainNetで7.3%）において優れた結果を示しています。その汎用性はさらに本論文で提案される2つの新しいシナリオ：複数ソース部分DAと複数ターゲット部分DAによっても確認されています。また、MCCは既存のさまざまなDA手法と直交的かつ補完的な一般的な正則化項としても使用でき、収束速度を向上させるとともに競争力のある手法をさらに強力なものにします。コードはhttps://github.com/thuml/Versatile-Domain-Adaptation から入手可能です。