Wir präsentieren einen auf Domänenanpassung basierenden generativen Rahmen für Zero-Shot-Lernen. Unser Rahmen befasst sich mit dem Problem des Domänenverschiebungs zwischen den Verteilungen der gesehenen und ungesehenen Klassen im Zero-Shot-Lernen und minimiert diese Verschiebung durch die Entwicklung eines generativen Modells, das über eine feindliche Domänenanpassung trainiert wird. Unser Ansatz basiert auf einem end-to-end Lernprozess der Klassenverteilungen sowohl der gesehenen als auch der ungesehenen Klassen. Um dem Modell das Erlernen der Klassenverteilungen der ungesehenen Klassen zu ermöglichen, parametrisieren wir diese Verteilungen anhand der Klassenattributinformation (die für beide, gesehene und ungesehene Klassen, verfügbar ist). Dies bietet eine sehr einfache Möglichkeit, die Klassenverteilung einer beliebigen ungesehenen Klasse zu lernen, wenn nur ihre Klassenattributinformation vorliegt und keine gekennzeichneten Trainingsdaten vorhanden sind. Das Training dieses Modells mit feindlicher Domänenanpassung erhöht zudem die Robustheit gegen das Verteilungsmissmatch zwischen den Daten aus gesehenen und ungesehenen Klassen. Unser Ansatz bietet außerdem eine neuartige Methode zur Ausbildung von neuronal-netzbasierten Klassifizierern, um das Hubness-Problem im Zero-Shot-Lernen zu überwinden. Durch eine umfassende Reihe von Experimenten zeigen wir, dass unser Modell höhere Genauigkeiten erzielt als verschiedene state-of-the-art Zero-Shot-Lernmodelle auf einer Vielzahl von Benchmark-Datensätzen. Der Quellcode für die Experimente ist unter github.com/vkkhare/ZSL-ADA verfügbar.