ユニバーサル・ドメイン適応（Universal Domain Adaptation: UNDA）は、2つのデータセット間のドメインシフトおよびカテゴリシフトの両方を扱うことを目的としており、主な課題はラベル付きのソースデータに存在しないがラベルなしのターゲットデータに存在する未知クラスを排除しつつ知識を転移することにある。従来の手法では、検証データに基づくか、事前に定義された未知サンプルの割合をもとに手動で閾値を設定して未知サンプルを拒否するが、このアプローチは現実的ではない。本論文では、ソースサンプルを用いて閾値を学習し、それをターゲットドメインに適応する手法を提案する。我々のアイデアは、ソースドメインにおける最小クラス間距離が、ターゲットドメインにおける既知／未知の判定に適した閾値となるべきであるというものである。クラス間およびクラス内距離を学習するために、ラベル付きソースデータを用いて各クラスに対して1対すべて（one-vs-all）の分類器を訓練する手法を提案する。その後、クラスエントロピーを最小化することで、開集合分類器をターゲットドメインに適応させる。この結果得られるフレームワークは、UNDAのすべてのベースラインの中で最もシンプルでありながら、ハイパーパラメータの値に対して敏感ではなく、かつベースラインを大きく上回る性能を達成している。