Das adversarische Lernen wurde in tiefe Netze integriert, um für die Domänenanpassung entkoppelte und übertragbare Darstellungen zu erlernen. Bestehende Methoden der adversarischen Domänenanpassung können die verschiedenen Modalitäten nativer Verteilungen in Klassifikationsproblemen möglicherweise nicht effektiv ausrichten. In dieser Arbeit stellen wir die bedingte adversarische Domänenanpassung vor, ein fundiertes Framework, das die adversarischen Anpassungsmodelle auf diskriminierende Informationen konditioniert, die in den Vorhersagen des Klassifizierers vermittelt werden. Bedingte Domänenadversarische Netzwerke (CDANs) sind mit zwei neuen Konditionsstrategien konzipiert: einer multilinearen Konditionierung, die die Kreuzkovarianz zwischen Merkmalsdarstellungen und Klassifizierervorhersagen erfasst, um die Diskriminierbarkeit zu verbessern, und einer Entropiekonditionierung, die die Unsicherheit der Klassifizierervorhersagen steuert, um die Übertragbarkeit zu gewährleisten. Mit theoretischen Garantien und wenigen Codezeilen hat der Ansatz auf fünf Datensätzen bessere Ergebnisse als der aktuelle Stand der Technik erzielt.