Dans cet article, nous abordons le problème d'adaptation des classifieurs entre différents domaines. Nous considérons le problème d'adaptation de domaine pour la classification multi-classe, où nous disposons d'un ensemble d'exemples étiquetés dans un jeu de données source et d'un jeu de données cible sans supervision. Dans ce contexte, nous proposons une approche basée sur un discriminateur adversarial informé. Bien que des approches utilisant un discriminateur adversarial aient été proposées précédemment, dans cet article, nous présentons un discriminateur adversarial qui dispose de toutes les informations disponibles, y compris la structure des classes présente dans le jeu de données source. Cette observation repose sur l'analyse montrant que si le discriminateur a accès à toutes ces informations, il peut guider la transformation des caractéristiques du jeu de classes cible vers un espace plus adapté structuralement. En utilisant cette formulation, nous obtenons des résultats de pointe pour l'évaluation standard sur des jeux de données de référence. Nous fournissons également une analyse détaillée qui montre que l'utilisation de toutes les informations étiquetées entraîne une amélioration de l'adaptation de domaine.