Die meisten bestehenden Methoden zur Domänenanpassung konzentrieren sich auf die Anpassung von lediglich einer Quell-Domäne. In der Praxis gibt es jedoch mehrere relevante Quellen, die genutzt werden können, um die Leistung auf der Ziel-Domäne zu verbessern. Wir schlagen einen neuen Ansatz namens T-SVDNet zur Lösung der Aufgabe der Mehrquellen-Domänenanpassung (Multi-source Domain Adaptation, MDA) vor, der sich durch die Integration der Tensor-Singularwertzerlegung (Tensor Singular Value Decomposition, T-SVD) in den Trainingsprozess eines neuronalen Netzwerks auszeichnet. Insgesamt werden hochordentliche Korrelationen zwischen mehreren Domänen und Kategorien umfassend ausgenutzt, um die Domänenlücke effektiver zu überbrücken. Konkret wird eine Tensor-Niedrigrang-(Tensor-Low-Rank, TLR)-Beschränkung auf einen Tensor angewendet, der durch Stapelung einer Gruppe prototypischer Ähnlichkeitsmatrizen entsteht, um eine konsistente Datenstruktur über verschiedene Domänen hinweg zu erfassen. Darüber hinaus schlagen wir eine neuartige unsicherheitsorientierte Gewichtungsstrategie vor, um negative Übertragung durch verrauschte Quelldaten zu vermeiden. Diese Strategie weist adaptiv Gewichte für unterschiedliche Quell-Domänen und einzelne Proben basierend auf der Ergebnisse einer Unsicherheitsschätzung zu. Umfangreiche Experimente an öffentlichen Benchmarks belegen die Überlegenheit unseres Modells gegenüber aktuellen state-of-the-art-Methoden bei der Aufgabe der MDA.