Unsupervised Domain Adaptation zielt darauf ab, Wissen aus einem gelabelten Quellbereich auf einen ungelabelten Zielbereich zu übertragen. Frühere adversarische Domain-Adaptationsmethoden verwenden meist einen Diskriminators mit binärer oder $K$K-dimensionaler Ausgabe, um marginalen oder konditionalen Ausgleich unabhängig voneinander durchzuführen. Kürzlich durchgeführte Experimente haben gezeigt, dass ein Diskriminator, der sowohl Domäneninformationen in beiden Bereichen als auch Label-Informationen im Quellbereich erhält, in der Lage ist, komplexe multimodale und semantisch reiche Informationen in beiden Bereichen zu bewahren. Aufbauend auf dieser Erkenntnis verwenden wir einen Diskriminator mit $2K$2K-dimensionaler Ausgabe, um sowohl den Domänen- als auch den Klassenlevel-Ausgleich simultan innerhalb eines einzigen Diskriminators zu realisieren. Allerdings kann ein einzelner Diskriminator nicht alle nützlichen Informationen über die Domänen hinweg erfassen, und die Beziehungen zwischen den Beispielen und der Entscheidungsgrenze wurden bisher kaum untersucht. Inspiriert durch Multi-View-Lernverfahren und neueste Fortschritte im Bereich der Domain Adaptation ergänzen wir den adversarischen Prozess zwischen Diskriminator und Merkmalsextraktor durch eine neuartige Mechanik, bei der zwei Diskriminatoren gegeneinander antreten, sodass sie sich gegenseitig vielfältige Informationen liefern und verhindern, dass Zielmerkmale außerhalb des Trägers des Quellbereichs generiert werden. Soweit uns bekannt ist, wird hier erstmals eine Dual-Adversarial-Strategie in der Domain Adaptation erforscht. Zudem nutzen wir Regularisierung aus semi-supervised Learning, um die Repräsentationen diskriminativer zu gestalten. Umfassende Experimente auf zwei realen Datensätzen bestätigen, dass unsere Methode mehrere state-of-the-art-Methoden der Domain Adaptation übertrifft.