普遍的ドメイン適応（Universal Domain Adaptation: UniDA）は、実用的ではあるが、ソースドメインとターゲットドメインの関係に関する情報が与えられないという課題を抱える難問である。従来のUniDA手法は、ターゲットドメインにおけるドメイン内変動を無視する問題や、既知クラスと未知クラスの類似性を明確に分離する困難さに直面していることがある。こうした課題に対処するために、本研究では、近傍不変性を導入した新しい相互学習ネットワーク（Mutual Learning Network: MLNet）を提案する。本手法では、自己適応的近傍選択を用いた信頼度誘導型不変特徴学習を設計することで、ターゲットドメイン内の内部変動を低減し、より汎化性の高い特徴表現を実現する。さらに、クロスドメインミックスアップ（cross-domain mixup）スキームを活用して未知クラスの識別精度を向上させ、閉集合分類器と開集合分類器との相互学習により、誤って既知クラスと識別されたサンプルの誤りを補正する。3つの公開ベンチマーク上での広範な実験結果から、本手法は多くの状況において最先端の手法を上回る性能を達成しており、UniDAの4つの設定すべてにおいてベースライン手法を著しく上回ることが確認された。コードは以下のURLで公開されている：https://github.com/YanzuoLu/MLNet。