목표 도메인에서 원본 클래스에 포함되지 않은 알 수 없는 샘플(unknown samples)을 거부하는 능력은 비지도 도메인 적응(unsupervised domain adaptation, UDA)에서 매우 중요하다. 기존의 UDA는 일반적으로 두 가지 전형적인 시나리오로 나뉘는데, 하나는 오픈셋(open-set)이고 다른 하나는 오픈파셜셋(open-partial-set)이다. 오픈파셜셋 시나리오는 원본 도메인의 모든 클래스가 목표 도메인에 존재하지 않는다는 가정을 한다. 그러나 대부분의 기존 방법들은 하나의 UDA 시나리오에 특화되어 있으며, 다른 시나리오에서는 항상 성능이 저하된다. 게다가 이러한 방법들은 적응 과정 중에 레이블이 붙은 원본 데이터를 필요로 하므로, 데이터 프라이버시가 중요한 응용 분야에서는 활용이 제한된다. 이러한 문제를 해결하기 위해, 본 논문은 원본 데이터에 접근하지 않고도 도메인 간 클래스 분포 변화에 대한 사전 지식 없이도 두 가지 UDA 시나리오를 모두 처리할 수 있는 보편적 모델 적응(Universal Model ADaptation, UMAD) 프레임워크를 제안한다. 구체적으로, 우아하게 설계된 이중 헤드 분류기(dual-head classifier)를 갖춘 원본 모델을 학습하고 이를 목표 도메인에 제공한다. 적응 과정에서는 알 수 없는 샘플과 알 수 있는 샘플을 구분하는 데 도움이 되는 정보성 일관성 점수(informative consistency score)를 개발한다. 목표 도메인에서 양방향 적응(bilateral adaptation)을 달성하기 위해, 먼저 알려진 샘플을 원본 분류기와 일치시키기 위해 국소적 상호정보량(localized mutual information)을 최대화하고, 알 수 없는 샘플이 원본 분류 경계로부터 멀어지도록 엔트로피 손실(entropy loss)을 활용한다. 오픈셋 및 오픈파셜셋 UDA 시나리오에 대한 실험 결과는, 원본 데이터에 접근하지 않는 보편적인 접근 방식임에도 불구하고 UMAD가 최신의 데이터 의존적 방법들과 비견되거나 더 우수한 성능을 보임을 입증한다.