L'apprentissage par adversarialité de domaine aligne les distributions de caractéristiques entre les domaines source et cible dans un jeu minimax à deux joueurs. Les réseaux adversariaux de domaine existants supposent généralement un espace d'étiquettes identique entre différents domaines. En présence de grandes données, il y a une forte motivation à transférer des modèles profonds des grands domaines existants vers des petits domaines inconnus. Cet article introduit l'adaptation de domaine partielle comme un nouveau scénario d'adaptation de domaine, qui relâche l'hypothèse d'un espace d'étiquettes entièrement partagé pour admettre que l'espace d'étiquettes source englobe celui du domaine cible. Les méthodes précédentes tentent généralement d'aligner tout le domaine source avec le domaine cible, ce qui les rend vulnérables au transfert négatif dans le problème d'adaptation de domaine partielle en raison du grand écart entre les espaces d'étiquettes. Nous présentons l'Adaptation de Domaine Adversariale Partielle (PADA), qui atténue simultanément le transfert négatif en diminuant le poids des données des classes source aberrantes lors de la formation du classifieur source et de l'adversaire de domaine, et favorise le transfert positif en alignant les distributions de caractéristiques dans l'espace d'étiquettes partagé. Les expériences montrent que PADA dépasse les résultats de pointe pour les tâches d'adaptation de domaine partielle sur plusieurs jeux de données.