In dieser Arbeit behandeln wir die Mehrziel-Domänenanpassung (MTDA), bei der es sich um die Aufgabe handelt, einen robusten Prädiktor für alle Zieldomänen zu lernen, gegeben ist ein etikettiertes Quelldatensatz und mehrere unetikettierte Zieldatensätze, die in ihren Datenverteilungen voneinander abweichen. Wir identifizieren zwei wesentliche Aspekte, die helfen können, mehrere Domänenverschiebungen in der MTDA zu mildern: Merkmalsaggregation und Curriculumslernen. Zu diesem Zweck schlagen wir das Curriculums-Graph-Co-Teaching (CGCT) vor, das einen Dual-Klassifikatorkopf verwendet, wobei einer davon ein Graph Convolutional Network (GCN) ist, das Merkmale von ähnlichen Stichproben über die Domänen hinweg aggregiert. Um zu verhindern, dass die Klassifikatoren an ihren eigenen verrauschten Pseudolabels überanpassen, entwickeln wir eine Co-Teaching-Strategie mit dem Dual-Klassifikatorkopf, die durch Curriculumslernen unterstützt wird, um zuverlässigere Pseudolabels zu erhalten. Darüber hinaus schlagen wir bei Verfügbarkeit der Domänenlabels das domänenspezifische Curriculumslernen (DCL) vor, eine sequentielle Anpassungsstrategie, die zunächst auf den einfacheren Zieldomänen anpasst und dann auf den schwierigeren. Wir demonstrieren experimentell die Effektivität unserer vorgeschlagenen Frameworks an mehreren Benchmarks und verbessern den Stand der Technik in der MTDA erheblich (z.B. +5,6 % auf DomainNet).