オープンインテント分類は、対話システムにおいて挑戦的な課題の一つです。一方では、既知のインテントを正確に識別することを確保する必要があります。他方では、事前知識なしで未知（オープン）のインテントを検出する必要があります。現在のモデルは、既知のインテントと未知のインテントの両方の性能をバランスよく保つための適切な決定境界を見つけることに制限があります。本論文では、オープンインテント分類のために適応的な決定境界（ADB: Adaptive Decision Boundary）を学習する後処理手法を提案します。まず、ラベル付き既知インテントサンプルを使用してモデルを事前学習します。次に、良好に学習された特徴量を用いて、各既知クラスに対して自動的に適応的な球形決定境界を学習します。具体的には、経験的リスクとオープンスペースリスクの両方をバランスよく保つ新しい損失関数を提案します。当手法は未知のインテントサンプルを必要とせず、モデルアーキテクチャの変更も不要です。さらに、当手法はラベル付きデータが少ない場合や既知のインテントが少ない場合でも驚くほど感度が低いことが特徴です。3つのベンチマークデータセットにおける広範な実験により、当手法が最先端手法と比較して有意な改善をもたらすことが示されました。コードは https://github.com/thuiar/Adaptive-Decision-Boundary で公開されています。