Wir präsentieren einen Ansatz für unsupervised Domain Adaptation – mit starkem Fokus auf praktische Aspekte der Klassenungleichgewicht innerhalb der Domäne und der Klassendistributionsverschiebung zwischen Domänen – aus der Perspektive der klassenbedingten Domänenalignment. Aktuelle Methoden zur klassenbedingten Domänenalignment zielen darauf ab, eine Verlustfunktion explizit auf Basis von Pseudolabel-Schätzungen der Ziel-Domäne zu minimieren. Diese Ansätze leiden jedoch unter Pseudolabel-Bias in Form von Fehlerakku­mulation. Wir schlagen eine Methode vor, die die Notwendigkeit einer direkten expliziten Optimierung der Modellparameter anhand von Pseudolabels eliminiert. Stattdessen stellen wir einen samplingbasierten, impliziten Alignment-Ansatz vor, bei dem der Prozess der Stichprobenauswahl implizit durch die Pseudolabels geleitet wird. Theoretische Analysen zeigen die Existenz eines Domänen-Discriminator-Kurzschlusses in schlecht alignierten Klassen, welcher durch den vorgeschlagenen impliziten Alignment-Ansatz adressiert wird, um den Domain-Adversarial-Learning zu fördern. Empirische Ergebnisse und Ablationsstudien bestätigen die Wirksamkeit des vorgeschlagenen Ansatzes, insbesondere in Anbetracht von Klassenungleichgewicht innerhalb der Domäne und von Klassendistributionsverschiebung zwischen Domänen.