現在のブレンデッド・ターゲット・ドメイン適応（BTDA）手法は通常、ドメインラベル情報を推論または考慮しますが、ターゲットのハイブリッドカテゴリカル特徴構造を軽視しており、特にラベル分布シフトの下では性能が制限されます。我々は、さまざまなドメインのカテゴリカル分布が十分に整列している場合、ドメインラベル情報が直接必要でないことを示します。これは、ドメインの不均衡やクラス間のラベル分布シフトに対しても有効です。しかし、BTDAにおけるクラスタリング仮説が完全には成立しないことを観察しました。ハイブリッドカテゴリカル特徴空間は、カテゴリカル分布のモデリングと信頼性のある疑似ラベル生成を妨げます。これらの問題を解決するために、我々は不確実性によって導かれるカテゴリカルドメイン識別器を提案します。この識別器は $P(Z|Y)$P(Z∣Y) の明示的なモデリングと直接的な整列を行うためのものです。同時に、低レベル特徴を使用して単一ソース特徴に多様なターゲットスタイルを付加し、多様なターゲット間での偏った分類器 $P(Y|Z)$P(Y∣Z) を修正します。$P(Z|Y)$P(Z∣Y) と $P(Y|Z)$P(Y∣Z) の相互条件付き整列により、相互強化メカニズムが形成されます。我々のアプローチは、特にラベル分布シフト下やDomainNetにおける単一ターゲットドメイン適応において、ドメインラベルを利用する方法と比較しても最先端技術を上回ります。ソースコードは \url{https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation} から入手可能です。