Dans cet article, une approche unifiée est présentée pour le transfert d'apprentissage, qui aborde plusieurs hypothèses concernant les espaces d'étiquettes et les annotations des domaines source et cible avec un seul modèle. Elle est particulièrement efficace dans la gestion d'un cas difficile où les espaces d'étiquettes source et cible sont disjoints, et elle surpasse les alternatives tant dans les configurations non supervisées que semi-supervisées. L'ingrédient clé est une représentation commune appelée Espace Factorisé Commun (Common Factorised Space). Cette représentation est partagée entre les domaines source et cible, et est entraînée à l'aide d'une perte de factorisation non supervisée et d'une perte basée sur un graphe. À travers une large gamme d'expériences, nous démontrons la flexibilité, la pertinence et l'efficacité de notre méthode, tant dans les cas difficiles avec des espaces d'étiquettes disjoints que dans des cas plus conventionnels tels que l'adaptation de domaine non supervisée, où les domaines source et cible partagent le même ensemble d'étiquettes.