Obwohl die Domänenanpassung aktiv erforscht wird, konzentrieren sich die meisten Algorithmen auf den Einzelquellen-Einzelziel-Anpassungsfall. In diesem Artikel stellen wir neue Verallgemeinerungsgrenzen und Algorithmen sowohl im Klassifikations- als auch im Regressionsfall für die unüberwachte mehrfache Quellen-Domänenanpassung vor. Unsere theoretische Analyse führt natürlich zu einer effizienten Lernstrategie mithilfe von adversarialen neuronalen Netzwerken: Wir zeigen, wie diese als Lernen von Merkmalsrepräsentationen interpretiert werden kann, die invariant gegenüber mehrfachen Domänenverschiebungen sind, gleichzeitig jedoch für die jeweilige Lernaufgabe diskriminativ bleiben. Dazu schlagen wir multisource domain adversarial networks (MDAN) vor, die die Domänenanpassung durch Optimierung aufgabenadaptiver Verallgemeinerungsgrenzen erreichen. Um die Wirksamkeit von MDAN zu demonstrieren, führen wir umfangreiche Experimente durch, die eine überlegene Anpassungsleistung sowohl bei Klassifikations- als auch bei Regressionsaufgaben zeigen: Sentimentanalyse, Digiterkennung und Fahrzeugzählung.