In dieser Arbeit verbinden wir zwei unterschiedliche Konzepte für die unüberwachte Domänenanpassung: die Ausrichtung der Merkmalsverteilungen zwischen den Domänen durch Nutzung der taskspezifischen Entscheidungsgrenze und des Wasserstein-Maßes. Unser vorgeschlagener Sliced Wasserstein Discrepancy (SWD) ist darauf ausgelegt, das natürliche Dissimilaritätskonzept zwischen den Ausgaben taskspezifischer Klassifikatoren zu erfassen. Er bietet eine geometrisch bedeutsame Anleitung zur Erkennung von Zielsamples, die weit entfernt sind vom Träger der Quelle, und ermöglicht eine effiziente Verteilungsanpassung in einem end-to-end trainierbaren Verfahren. In den Experimenten überprüfen wir die Effektivität und Allgemeingültigkeit unserer Methode bei der Ziffern- und Zeichenerkennung, Bildklassifizierung, semantischen Segmentierung und Objekterkennung.