ドメイン適応は活発に研究されているが、多数のアルゴリズムは単一ソース・単一ターゲット適応設定に焦点を当てている。本稿では、教師なし複数ソースドメイン適応において、分類および回帰の両設定に対して新たな一般化限界およびアルゴリズムを提案する。理論的分析から自然に、敵対的ニューラルネットワークを用いた効率的な学習戦略が導かれる。具体的には、複数のドメインシフトに対して不変でありながら、学習タスクに対して判別力を持つ特徴表現を学ぶ方法を示す。これを実現するために、タスク適応型一般化限界の最適化を通じてドメイン適応を実現する、マルチソースドメイン敵対的ネットワーク（MDAN）を提案する。MDANの有効性を検証するため、感情分析、数字分類、車両数カウントといった分類および回帰問題において、広範な実験を実施し、優れた適応性能を示した。