In dieser Studie konzentrieren wir uns auf das Problem des unsupervisierten Domänenadaption, bei dem ein approximativer Inferenzmodell aus einem datenlabelten Domänenbereich gelernt werden soll und gleichzeitig eine gute Generalisierungsfähigkeit auf einer unlabeled-Domäne erwarten lässt. Der Erfolg der unsupervisierten Domänenadaption beruht maßgeblich auf der Ausrichtung der Merkmalsverteilungen zwischen den Domänen. Bisherige Ansätze haben versucht, latente Merkmale durch klassifikatorinduzierte Diskrepanzen direkt auszurichten. Dennoch kann ein gemeinsamer Merkmalsraum auf diese Weise nicht immer effektiv gelernt werden, insbesondere wenn eine große Domänenlücke besteht. Um dieses Problem zu lösen, führen wir einen Ansatz zur gaußschen geführten latenten Ausrichtung ein, der die Verteilungen der latente Merkmale beider Domänen unter der Anleitung der Prior-Verteilung ausrichtet. Auf diese indirekte Weise werden die Verteilungen der Proben aus beiden Domänen auf einem gemeinsamen Merkmalsraum – nämlich dem Raum der Prior-Verteilung – konstruiert, was eine verbesserte Merkmalsausrichtung fördert. Um die Ziel-Verteilung der latenten Merkmale effektiv mit dieser Prior-Verteilung auszurichten, schlagen wir zudem eine neuartige unpaarige L1-Distanz vor, die die Struktur eines Encoder-Decoder-Modells nutzt. Umfassende Evaluierungen an neun Benchmark-Datensätzen bestätigen die überlegene Wissensübertragbarkeit unseres Ansatzes durch die Überlegenheit gegenüber aktuellen State-of-the-Art-Methoden sowie die Vielseitigkeit des vorgeschlagenen Verfahrens, das bestehende Ansätze signifikant verbessert.