教師ありドメイン適応（UDA）は、ラベル豊富なソースドメインからラベルが乏しいターゲットドメインへ知識を効果的に転送する手法として、高い有効性が実証されている。しかし、ターゲットドメインに追加の新規カテゴリが存在する状況に対応するため、オープンセットドメイン適応（ODA）およびユニバーサルドメイン適応（UNDA）の手法が開発された。従来のODAおよびUNDA手法は、すべての新規カテゴリを一つの統一された未知クラスとして扱い、学習中にその検出を試みる。しかしながら、本研究ではドメイン間のばらつきが、無監視データ拡張における視点ノイズ（view-noise）を顕著に増大させ、これにより対照学習（CL）の効果が低下し、モデルが新規カテゴリ発見に対して過剰に自信を持つ傾向が生じることを発見した。この問題に対処するため、ODAおよびUNDAタスクに特化した「ソフト対照的ワンインオールネットワーク（Soft-contrastive All-in-one Network, SAN）」というフレームワークを提案する。SANは、特徴転送のためのバックボーンを微調整するための、新たなデータ拡張に基づくソフト対照学習（SCL）損失関数と、より人間の直感に即した新規クラス発見能力を向上させるワンインオール（AIO）分類器を含んでいる。SCL損失は、ドメイン転送タスクにおいて顕在化するデータ拡張による視点ノイズの悪影響を緩和する。一方、AIO分類器は、現在の主流であるクローズドセットおよびオープンセット分類器が抱える過剰な自信問題を克服する。可視化およびアブレーション実験により、本研究で提案する各構成要素の有効性が実証された。さらに、ODAおよびUNDAにおける広範な実験結果から、SANが既存の最先端手法を上回る性能を発揮することが確認された。