In dieser Arbeit lösen wir das Problem der Anpassung von Klassifizierern über verschiedene Domains hinweg. Wir betrachten das Problem der Domain-Anpassung für die mehrklassige Klassifikation, bei dem uns ein beschrifteter Datensatz im Quellbereich und ein unbeaufsichtigter Datensatz im Zielbereich zur Verfügung stehen. In diesem Kontext schlagen wir einen Ansatz basierend auf einem adversären Diskriminator vor. Obwohl Ansätze mit adversären Diskriminatoren bereits vorgeschlagen wurden, präsentieren wir in dieser Arbeit einen informierten adversären Diskriminator (informed adversarial discriminator). Unsere Beobachtung basiert auf einer Analyse, die zeigt, dass, wenn der Diskriminator Zugang zu allen verfügbaren Informationen hat, einschließlich der Klassenstruktur des Quelldatensatzes, er die Transformation der Merkmale des Zielklassensatzes in einen besser angepassten Strukturraum leiten kann. Mit dieser Formulierung erzielen wir Stand-der-Technik-Ergebnisse bei der Standardbewertung auf Benchmark-Datensätzen. Wir liefern zudem eine detaillierte Analyse, die belegt, dass die Verwendung aller beschrifteten Informationen zu einer verbesserten Domain-Anpassung führt.