일반화된 도메인 적응(Universal Domain Adaptation, UniDA)은 소스 도메인에서 타겟 도메인으로 지식을 전이하는 것을 목표로 하되, 레이블 집합에 대한 어떠한 제약도 두지 않는다. 두 도메인 모두 고유한 클래스를 포함할 수 있으므로, 도메인 정렬을 위해 타겟 도메인의 공통 샘플을 식별하는 것은 UniDA에서 핵심적인 과제이다. 기존의 대부분의 방법들은 공통 샘플을 탐지하기 위해 수작업으로 지정하거나 손으로 조정된 임계값(threshold)을 필요로 하므로, 공통 클래스의 비율이 다양한 현실적인 UniDA 환경에 쉽게 확장되기 어렵다. 더불어, 이러한 방법들은 타겟 고유 클래스 샘플들 간의 서로 다른 카테고리를 구분하지 못하는데, 이는 고유 클래스 샘플들을 전부 하나의 집합으로 취급하기 때문이다. 본 논문에서는 이러한 문제들을 통합적인 프레임워크인 UniOT(Universal Optimal Transport) 내에서 최적 운송(Optimal Transport, OT)을 활용하여 해결한다. 먼저, 사전에 정의된 임계값 없이 적응형 채움(adaptive filling)을 통한 OT 기반 부분적 정렬을 제안하여, 현실적인 UniDA 환경에서 공통 클래스를 탐지할 수 있도록 한다. 이 방법은 OT로부터 얻은 할당 행렬의 통계적 정보를 기반으로 공통 클래스와 고유 클래스 간의 내재적 차이를 자동으로 탐지할 수 있다. 또한, 전역적인 구분 능력과 국부적인 일관성을 동시에 촉진하는 OT 기반 타겟 표현 학습을 제안하여, 소스 도메인에 과도하게 의존하는 문제를 완화한다. 특히, UniOT는 UniDA 환경에서 타겟 도메인의 고유 카테고리를 자동으로 탐지하고 인식할 수 있는 최초의 방법이다. 이를 위해, 공통 샘플의 정확도와 고유 샘플의 클러스터링 성능을 동시에 평가할 수 있는 새로운 평가 지표인 H^3-스코어를 도입한다. 광범위한 실험을 통해 UniOT가 다양한 최첨단 기법들에 비해 UniDA에서 뚜렷한 성능 우위를 보임을 명확히 입증하였다.