ユニバーサル・ドメイン適応（Universal Domain Adaptation: UniDA）は、ラベル集合に制約を設けずに、ソースドメインからターゲットドメインへ知識を転移することを目的としている。両ドメインに固有のクラス（private classes）が存在する可能性があるため、ドメイン整合のための共通サンプル（common samples）を特定することは、UniDAにおいて極めて重要な課題である。既存の大多数の手法は、共通サンプルを検出するために手動で指定されたまたは手動調整された閾値を必要としており、共通クラスの比率が多様な現実的なUniDA環境では拡張が困難である。さらに、これらの手法はターゲットドメインの私有クラスを個別に識別できず、私有サンプルを一括して扱うため、異なるカテゴリの識別が不可能である。本研究では、これらの一連の課題を統一的な枠組みであるUniOT（Universal Optimal Transport）により解決する手法を提案する。まず、事前に定義された閾値を必要としない、最適輸送（Optimal Transport: OT）に基づく部分的アライメントと適応的補完（adaptive filling）を設計することで、現実的なUniDA環境において共通クラスを自動的に検出可能にする。このアプローチは、OTから得られる割当行列の統計的性質に基づき、共通クラスと私有クラスの内在的な差異を自動的に発見できる。次に、ターゲット表現学習をOTに基づいて設計し、サンプルのグローバルな分離性とローカルな一貫性を同時に促進することで、ソースドメインへの過度な依存を回避する。特に、UniOTは、UniDAにおいてターゲットドメインの私有カテゴリを自動的に発見・識別可能な初めての手法である。それに伴い、共通サンプルの分類精度と私有サンプルのクラスタリング性能の両面を評価できる新しい指標であるH^3スコアを導入する。広範な実験により、UniOTが多数の最先端手法と比較して、UniDAにおいて顕著な優位性を示していることが明確に確認された。