현재의 혼합 대상 도메인 적응(BTDA) 방법은 일반적으로 도메인 라벨 정보를 추론하거나 고려하지만, 대상의 하이브리드 범주적 특성 구조를 과소평가하여 성능이 제한적입니다. 특히 라벨 분포 이동(label distribution shift) 상황에서는 더욱 그렇습니다. 우리는 다양한 도메인의 범주적 분포가 충분히 일치한다면, 도메인 간 불균형과 클래스의 라벨 분포 이동을 겪더라도 도메인 라벨이 BTDA에 직접적으로 필요하지 않다는 것을 증명하였습니다. 그러나, BTDA에서 군집 가정(cluster assumption)이 전반적으로 성립하지 않는다는 것을 관찰하였습니다. 하이브리드 범주적 특성 공간은 범주적 분포 모델링과 신뢰할 수 있는 의사 라벨(pseudo labels) 생성을 방해합니다. 이를 해결하기 위해, 불확실성으로 안내되는 범주적 도메인 판별기(categorical domain discriminator)를 제안하여 $P(Z|Y)$ 범주적 분포를 명시적으로 모델링하고 직접적으로 일치시키는 방법을 제시합니다. 동시에, 저수준 특성을 활용하여 단일 소스 특성을 다양한 대상 스타일로 강화하여 다양한 대상 사이에서 편향된 분류기 $P(Y|Z)$를 수정합니다. 이러한 $P(Z|Y)$와 $P(Y|Z)$의 상호 조건부 일치는 상호 강화 메커니즘을 형성합니다. 우리의 접근법은 도메인 라벨을 사용하는 방법들과 비교하더라도 BTDA에서 최신 기술(state-of-the-art)보다 우수하며, 특히 라벨 분포 이동 상황과 DomainNet에서 단일 대상 DA(single target DA)에서도 우수한 성능을 보입니다. 소스 코드는 \url{https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation}에서 확인할 수 있습니다.