Aktuelle Methoden der domänenübergreifenden Anpassung mit gemischten Zielen (Blended Targets Domain Adaptation, BTDA) inferieren oder berücksichtigen in der Regel Informationen zu Domänenlabels, legen aber zu wenig Wert auf die hybriden kategorialen Merkmalsstrukturen der Ziele. Dies führt zu einer begrenzten Leistung, insbesondere bei Verschiebungen der Labelverteilung. Wir zeigen, dass Domänenlabels für BTDA nicht direkt erforderlich sind, wenn die kategorialen Verteilungen verschiedener Domänen ausreichend angeglichen sind, auch im Angesicht von Domänenungleichgewichten und Verschiebungen der Labelverteilung von Klassen. Allerdings beobachten wir, dass die Clustervoraussetzung in BTDA nicht vollständig zutrifft. Der hybride kategoriale Merkmalsraum erschwert das Modellieren von kategorialen Verteilungen und die Erzeugung verlässlicher Pseudolabels für die kategoriale Angleichung. Um dies zu beheben, schlagen wir einen durch Unsicherheit geleiteten kategorialen Domänenunterscheidungsmechanismus vor, um die kategorialen Verteilungen (P(Z|Y)) explizit zu modellieren und direkt anzupassen. Gleichzeitig nutzen wir niedrigstufige Merkmale, um einzelne Quellenmerkmale mit verschiedenen Zielstilen zu erweitern und so den verzerrten Klassifikator (P(Y|Z)) unter verschiedenen Zielen zu korrigieren. Diese gegenseitige bedingte Angleichung von (P(Z|Y)) und (P(Y|Z)) bildet ein gegenseitig verstärkendes Mechanismus. Unser Ansatz übertrifft den aktuellen Stand der Technik in BTDA sogar verglichen mit Methoden, die Domänenlabels verwenden, insbesondere bei Verschiebungen der Labelverteilung und bei DA mit einem einzelnen Ziel auf DomainNet. Die Quellcodes sind unter \url{https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation} verfügbar.