Domain Adaptation (DA) und Domain Generalization (DG) sind als Lösungsansätze für das Problem des Domänenverschiebungsphänomens entstanden, bei dem die Verteilung der Quell- und Zieldaten voneinander abweicht. Die Aufgabe der DG ist dabei herausfordernder als die DA, da in DG-Szenarien die Zieldaten während des Trainingsphasen vollständig unbekannt sind. Die derzeitige Stand der Technik setzt adversive Techniken ein, diese werden jedoch selten für das DG-Problem herangezogen. Zudem berücksichtigen diese Ansätze nicht die Korrelationsausrichtung (correlation alignment), die sich als äußerst vorteilhaft bei der Minimierung der Domänenabweichung erwiesen hat. In diesem Paper stellen wir einen korrelationsbewussten adversiven DA- und DG-Framework vor, bei dem die Merkmale der Quell- und Zieldaten mittels Korrelationsausrichtung sowie adversiver Lernverfahren minimiert werden. Die Integration des Korrelationsausrichtungsmoduls in Verbindung mit adversivem Lernen ermöglicht es, ein dominanzunabhängigeres Modell zu erzielen, da die Fähigkeit zur Reduktion der Domänenabweichung mit unbeschrifteten Zieldaten effektiver gesteigert wird. Experimente auf Benchmark-Datensätzen belegen, dass unsere vorgeschlagene Methode eine verbesserte State-of-the-Art-Leistung erzielt.