도메인 적응은 활발히 연구되어 왔지만, 대부분의 알고리즘은 단일 소스-단일 타깃 적응 설정에 초점을 맞추고 있다. 본 논문에서는 비지도 다중 소스 도메인 적응을 위한 분류 및 회귀 설정 하에서 새로운 일반화 한계와 알고리즘을 제안한다. 우리의 이론적 분석은 적대적 신경망을 활용한 효율적인 학습 전략으로 자연스럽게 이어진다. 이를 통해 다중 도메인 변화에 대해 불변적인 특징 표현을 학습하면서도 학습 과제에 대해 구분 능력을 유지할 수 있음을 보여준다. 이를 위해, 태스크 적응형 일반화 한계를 최적화함으로써 도메인 적응을 접근하는 다중소스 도메인 적대적 신경망(MDAN)을 제안한다. MDAN의 효과를 입증하기 위해 감정 분석, 숫자 분류, 차량 수 세기 등 분류 및 회귀 문제에서 뛰어난 적응 성능을 보여주는 광범위한 실험을 수행하였다.