Gegeben sind gelabelte Instanzen im Quellbereich und ungelabelte Instanzen im Zielbereich. Das Ziel der unsupervisierten Domänenanpassung besteht darin, einen Aufgabenklassifizierer zu lernen, der Zielinstanzen gut klassifizieren kann. Neuere Ansätze basieren auf domänen-antagonistischem Training tiefer Netze, um domäneninvariante Merkmale zu lernen. Aufgrund eines Problems der Moduskollaps, das durch die getrennte Architektur von Aufgaben- und Domänenklassifizierer verursacht wird, sind diese Methoden jedoch eingeschränkt hinsichtlich der Ausrichtung der gemeinsamen Verteilungen von Merkmalen und Kategorien über Domänen hinweg. Um dieses Problem zu überwinden, schlagen wir eine neue adversarische Lernmethode vor, die wir diskriminative adversarische Domänenanpassung (DADA) nennen. DADA basiert auf einem integrierten Klassifizierer für Kategorie und Domäne und verfolgt ein neuartiges adversarisches Ziel, das eine wechselseitig hemmende Beziehung zwischen der Kategorien- und der Domänenvorhersage für jede Eingabeposition fördert. Wir zeigen, dass unter praktischen Bedingungen ein Minimax-Spiel definiert wird, das die Ausrichtung der gemeinsamen Verteilung fördert. Neben dem klassischen Szenario der geschlossenen Menge Domänenanpassung erweitern wir DADA auch auf die besonders herausfordernden Probleme der partiellen und offenen Menge Domänenanpassung. Experimente belegen die Wirksamkeit unserer Methode, wobei wir für alle drei Szenarien auf Benchmark-Datensätzen den neuen Stand der Technik erreichen.