Nous présentons un cadre génératif basé sur l'adaptation de domaine pour l'apprentissage à zéro exemple (zero-shot learning). Notre cadre aborde le problème du décalage de domaine entre les distributions des classes observées et non observées dans l'apprentissage à zéro exemple et minimise ce décalage en développant un modèle génératif formé par une adaptation de domaine antagoniste. Notre approche repose sur l'apprentissage de bout en bout des distributions de classe des classes observées et non observées. Pour permettre au modèle d'apprendre les distributions de classe des classes non observées, nous paramétrisons ces distributions en termes d'informations attributaires de classe (disponibles pour les classes observées et non observées). Cela offre une méthode très simple pour apprendre la distribution de classe de toute classe non observée, en ne disposant que de ses informations attributaires, sans données d'entraînement étiquetées. L'entraînement de ce modèle avec une adaptation de domaine antagoniste fournit également une robustesse contre le décalage de distribution entre les données des classes observées et non observées. Notre approche propose également une nouvelle méthode pour former des classifieurs basés sur des réseaux neuronaux afin de surmonter le problème d'hubness dans l'apprentissage à zéro exemple. À travers un ensemble complet d'expériences, nous montrons que notre modèle produit des précisions supérieures comparativement à divers modèles d'apprentissage à zéro exemple d'avant-garde, sur une variété de jeux de données de référence. Le code pour les expériences est disponible sur github.com/vkkhare/ZSL-ADA.