Cet article aborde le problème de l'adaptation de domaine en ensemble ouvert sans source (SF-OSDA) sans accès aux données sources. Les méthodes SF-OSDA existantes distinguent les classes connues des classes inconnues en fonction de l'entropie prédite, mais elles présentent une limitation : elles ne peuvent pas apprendre explicitement les caractéristiques des classes inconnues. Dans cet article, nous proposons un nouveau cadre SF-OSDA appelé « Rappel et Affinage » (RRDA). RRDA se déroule en deux étapes. Premièrement, nous améliorons la capacité du modèle à reconnaître les classes inconnues en apprenant un classificateur cible avec des limites de décision supplémentaires à l'aide d'échantillons synthétiques générés à partir des caractéristiques du domaine cible. Deuxièmement, nous intégrons les méthodes d'adaptation de domaine sans source existantes (par exemple, SHOT, AaD) pour adapter l'ensemble du modèle au domaine cible afin de gérer à la fois le décalage de domaine et la différenciation par rapport aux classes inconnues. Les résultats expérimentaux sur trois jeux de données de référence montrent que RRDA surpasse significativement les méthodes SF-OSDA et OSDA existantes.
