Le coût de la collecte et de l'annotation de données à grande échelle rend souvent l'application d'algorithmes d'apprentissage automatique (machine learning) à de nouvelles tâches ou ensembles de données excessivement coûteuse. Une approche permettant de contourner ce coût consiste à former des modèles sur des données synthétiques où les annotations sont fournies automatiquement. Malgré leur attrait, ces modèles échouent souvent à généraliser des images synthétiques aux images réelles, nécessitant l'utilisation d'algorithmes d'adaptation de domaine pour manipuler ces modèles avant qu'ils ne puissent être appliqués avec succès. Les approches existantes se concentrent soit sur la cartographie des représentations d'un domaine à l'autre, soit sur l'apprentissage d'une extraction de caractéristiques invariantes au domaine d'où elles ont été extraites. Cependant, en se concentrant uniquement sur la création d'une correspondance ou d'une représentation partagée entre les deux domaines, elles négligent les caractéristiques individuelles de chaque domaine. Nous suggérons que le modèle explicite de ce qui est unique à chaque domaine peut améliorer la capacité du modèle à extraire des caractéristiques invariantes au domaine. Inspirés par les travaux sur l'analyse des composantes privées-partagées, nous apprenons explicitement à extraire des représentations d'images partitionnées en deux sous-espaces : une composante privée à chaque domaine et une autre partagée entre les domaines. Notre modèle est formé non seulement pour effectuer la tâche souhaitée dans le domaine source, mais aussi pour utiliser la représentation partitionnée afin de reconstruire les images des deux domaines. Notre architecture novatrice aboutit à un modèle qui surpassent l'état de l'art dans divers scénarios d'adaptation non supervisée de domaine et produit également des visualisations des représentations privées et partagées, permettant ainsi une interprétation du processus d'adaptation de domaine.