ターゲットドメインにおける未知サンプル（ソースクラスに存在しないサンプル）を拒否する能力は、教師なしドメイン適応（Unsupervised Domain Adaptation: UDA）において極めて重要である。これまでに代表的な2つのUDAシナリオが提案されている。すなわち、オープンセット（open-set）とオープン部分セット（open-partial-set）である。後者は、すべてのソースクラスがターゲットドメインに存在するとは限らないという仮定に基づいている。しかし、多数の従来手法は特定のUDAシナリオに特化しており、もう一方のシナリオでは性能が著しく低下する傾向にある。さらに、これらの手法は適応過程においてラベル付きソースデータを必要とすることから、データプライバシーが重要なアプリケーションへの適用が制限されている。このような問題に対処するため、本論文では、ソースデータにアクセスせず、ドメイン間のカテゴリシフトに関する事前知識も不要な、両方のUDAシナリオを統一的に処理可能な「ユニバーサルモデル適応（Universal Model ADaptation: UMAD）」フレームワークを提案する。具体的には、洗練された二出力分類器を備えたソースモデルを学習し、それをターゲットドメインに提供する。適応段階では、未知サンプルと既知サンプルを区別するための情報量豊富な一貫性スコアを導入する。さらに、ターゲットドメインにおける双方向的適応を実現するために、既知サンプルをソース分類器と局所的に整合させるための局所的相互情報量の最大化と、未知サンプルがソース分類境界から遠く離れるように促進するエントロピー損失の導入を併用する。オープンセットおよびオープン部分セットUDAシナリオにおける実験結果から、ソースデータにアクセスできないにもかかわらず、UMADは従来のデータ依存型最先端手法と比較して、同等またはそれ以上の性能を示すことが明らかになった。