Wir stellen eine neue Technik namens CHATTY: Coupled Holistic Adversarial Transport Terms with Yield für unsupervised Domain Adaptation vor. Adversariales Training wird häufig eingesetzt, um domäneninvariante Darstellungen zu lernen, indem die Gradienten eines Domänen-Discriminators rückwärts an die Merkmalsextraktor-Schichten eines neuronalen Netzes geleitet werden. Wir schlagen erhebliche Modifikationen am adversarialen Kopf, seiner Trainingszielfunktion und am Klassifikator-Kopf vor. Ziel ist es, die Klassenverwechslung zu verringern, weshalb wir ein Unter-Netzwerk einführen, das die Klassifikator-Ausgaben von Quell- und Ziel-Domänen-Samples auf lernbare Weise verschiebt. Diese Verschiebung kontrollieren wir mittels einer neuartigen Transportverlustfunktion, die die Klassencluster voneinander entfernt und es dem Klassifikator erleichtert, Entscheidungsgrenzen sowohl für die Quell- als auch für die Ziel-Domäne zu finden. Die Ergebnisse zeigen, dass die Integration dieser neuen Verlustfunktion in eine sorgfältig ausgewählte Kombination bisher vorgeschlagener Verluste eine Verbesserung der UDA-Ergebnisse gegenüber den vorherigen State-of-the-Art-Methoden auf Benchmark-Datensätzen ermöglicht. Die Bedeutung des vorgeschlagenen Verlustterms wird durch Ablationstudien und Visualisierungen der Bewegung von Ziel-Domänen-Samples im Darstellungsraum belegt.