本稿では、ラベル空間が非整合な状況下でソース領域からターゲット領域へ知識を転移することを目的とする、ユニバーサルドメイン適応（Universal Domain Adaptation: UniDA）問題に着目する。UniDAの主な課題は、共通クラス（両ドメインに共通するクラス）とプライベートクラス（一方のドメインにのみ存在するクラス）をいかに正確に分離するかにある。従来の手法は、ターゲット領域のプライベートサンプルを一つの汎用クラスとして扱うが、それらに内在する構造を無視している。その結果、潜在空間における表現が十分に凝縮されておらず、共通クラスのサンプルと混同されやすくなる。ターゲット領域の内在構造をより効果的に活用するため、本研究ではドメイン共通クラスタリング（Domain Consensus Clustering: DCC）を提案する。DCCはドメイン間の共通知識を活用し、共通サンプルおよびプライベートサンプルの両方に対して判別性の高いクラスタを発見する。具体的には、クラスタリングおよびプライベートクラスの発見を支援するため、二つの観点からドメイン共通知識を抽出する。一つは意味レベルの共通性であり、サイクル整合性を持つクラスタを共通クラスとして識別する。もう一つはサンプルレベルの共通性であり、ドメイン間の分類結果の一致度を利用してクラスタ数を決定し、プライベートクラスを同定する。DCCに基づき、プライベートクラスを共通クラスから分離するとともに、プライベートクラス同士を区別することが可能となる。さらに、識別された共通サンプルに対してクラス意識型のアライメント技術を適用して分布シフトを最小化し、判別性の高いターゲットクラスタを促進するためのプロトタイプ正則化を導入する。4つのベンチマークにおける実験結果から、DCCが従来の最先端手法を顕著に上回ることを示した。