Domain Adaptation ist der Prozess der Verringerung von Verteilungsunterschieden zwischen Daten aus unterschiedlichen Domänen. In diesem Paper zeigen wir, dass Methoden des Domain Adaptation, die paarweise Beziehungen zwischen Quell- und Ziel-Domänen-Daten nutzen, als Graph-Embedding formuliert werden können, wobei die Domänenlabels in die Struktur der intrinsischen und der Straffunktionen des Graphen integriert werden. Insbesondere analysieren wir die Verlustfunktionen dreier etablierter, state-of-the-art Methoden im Bereich des überwachten Domain Adaptation und demonstrieren, dass diese Methoden tatsächlich Graph-Embedding durchführen. Zudem weisen wir auf allgemeine Probleme hinsichtlich der Generalisierbarkeit und Reproduzierbarkeit hin, die mit dem üblicherweise verwendeten experimentellen Setup zusammenhängen, das zur Demonstration der Fähigkeiten dieser Methoden im Few-Shot-Learning eingesetzt wird. Um überwachte Domain-Adaptation-Methoden präzise zu bewerten und miteinander zu vergleichen, schlagen wir ein überarbeitetes Evaluationsprotokoll vor und präsentieren aktualisierte Benchmarks auf den Standard-Datensätzen Office31 (Amazon, DSLR, und Webcam), Digits (MNIST, USPS, SVHN und MNIST-M) sowie VisDA (Synthetic, Real).