Le transfert de modèles non supervisés a le potentiel d'améliorer considérablement la généralisation des modèles profonds à de nouveaux domaines. Cependant, la littérature actuelle suppose que la séparation des données cibles en domaines distincts est connue a priori. Dans cet article, nous proposons la tâche d'Apprentissage Indépendant du Domaine (DAL) : comment transférer les connaissances d'un domaine source étiqueté vers des données non étiquetées provenant de domaines cibles arbitraires ? Pour aborder ce problème, nous avons conçu un nouveau Deep Adversarial Disentangled Autoencoder (DADA) capable de dissocier les caractéristiques spécifiques au domaine de l'identité de classe. Nous démontrons expérimentalement que lorsque les étiquettes du domaine cible sont inconnues, le DADA conduit à des performances de pointe sur plusieurs jeux de données d'images.