تم دمج التعلم المعادي في الشبكات العميقة لتعلم تمثيلات منفصلة وقابلة للنقل للمطابقة بين المجالات. قد لا تتمكن الطرق الحالية للمطابقة المعادية بين المجالات من مواءمة المجالات المختلفة للتوزيعات متعددة الأوضاع بشكل فعّال في مشاكل التصنيف. في هذا البحث، نقدم المطابقة المعادية المشروطة بين المجالات، وهو إطار مبدئي يربط نماذج التكيف المعادي بالمعلومات التمييزية التي تنقلها توقعات المصنف. صُممت الشبكات المعادية المشروطة بين المجالات (CDANs) باستخدام استراتيجيتين جديدتين للربط: الربط المتعدد الخطوط الذي يلتقط التباين المشترك بين التمثيلات الخاصة بالسمات وتوقعات المصنف لتحسين القابلية للتمييز، والربط الإنتروبي الذي يتحكم في عدم اليقين في توقعات المصنف لضمان القابلية للنقل. مع الضمانات النظرية وبضع سطور من الكود، تجاوزت هذه الطريقة النتائج الرائدة على خمسة مجموعات بيانات.