少ショット学習は、ターゲットクエリセットにおける未知のサンプルを認識し、ドメイン間の視覚的なシフトを管理するという重要な課題に取り組む上で、印象的な進歩を遂げています。しかし、既存の技術は、ソースドメインから疑似外れ値を拒否することでターゲット外れ値を識別する点において不足しており、両方の問題に対する完全な解決策には至っていません。これらの課題を包括的に解決するために、私たちは新しいアプローチであるドメイン適応型少ショットオープンセット認識（Domain Adaptive Few-Shot Open Set Recognition: DA-FSOS）を提案し、メタ学習に基づくアーキテクチャであるDAFOSNETを導入します。訓練中、私たちのモデルは完全教師ありのソースドメインとラベルが異なる少ショットターゲットドメインが与えられた状況下で、共有かつ判別可能な埋め込み空間を学習しながら擬似オープンスペース決定境界を作成します。データ密度を向上させるため、調整可能なノイズ分散を持つ条件付き敵対ネットワークのペアを使用して、両ドメインの閉空間と擬似オープン空間を拡張します。さらに、クラス間の判別性を新しい計量目的を通じて確保しつつ、両ドメイン全体的に合わせるためのドメイン固有の一括正規化されたクラスプロトタイプアライメント戦略を提案します。私たちの訓練手法により、DAFOS-NETはターゲットドメインでの新規シナリオに対して良好に一般化することが可能となります。私たちはOffice-Home、mini-ImageNet/CUB、およびDomainNetデータセットに基づいてDA-FSOS用の3つのベンチマークを提示し、広範な実験を通じてDAFOS-NETの効果性を示しています。