L'apprentissage par adversaire a été intégré aux réseaux profonds pour apprendre des représentations disjointes et transférables dans le cadre de l'adaptation de domaine. Les méthodes d'adaptation de domaine par adversaire existantes peuvent ne pas aligner efficacement les différents domaines de distributions multimodales inhérentes aux problèmes de classification. Dans cet article, nous présentons l'adaptation de domaine conditionnelle par adversaire, un cadre théorique qui conditionne les modèles d'adaptation par adversaire sur les informations discriminantes contenues dans les prédictions du classifieur. Les réseaux d'adaptation de domaine conditionnels (CDANs) sont conçus avec deux stratégies de conditionnement novatrices : le conditionnement multilinéaire qui capture la covariance croisée entre les représentations des caractéristiques et les prédictions du classifieur afin d'améliorer la discernabilité, et le conditionnement entropique qui contrôle l'incertitude des prédictions du classifieur pour garantir la transférabilité. Grâce à des garanties théoriques et quelques lignes de code, cette approche a surpassé les résultats de pointe sur cinq jeux de données.