Ce travail aborde le problème d'adaptation de domaine non supervisée dans la ré-identification de personnes (re-ID), qui vise à transférer les connaissances du domaine source au domaine cible. Les méthodes existantes se concentrent principalement sur la réduction du décalage inter-domaines entre les domaines, mais elles négligent souvent les relations entre les échantillons cibles. Cet article examine les variations intra-domaine du domaine cible et propose un nouveau cadre d'adaptation en considérant trois types d'invariance sous-jacente, à savoir l'invariance par exemple (Exemplar-Invariance), l'invariance par caméra (Camera-Invariance) et l'invariance par voisinage (Neighborhood-Invariance). Plus précisément, une mémoire d'exemples est introduite pour stocker les caractéristiques des échantillons, ce qui permet d'imposer efficacement et de manière optimisée les contraintes d'invariance sur l'ensemble de données global. Nous présentons également la méthode de Prédiction Positive basée sur un Graphe (GPP) pour explorer des voisins fiables pour le domaine cible, méthode qui s'appuie sur la mémoire et est formée à partir des échantillons source. Les expériences montrent que 1) les trois propriétés d'invariance sont indispensables pour une adaptation de domaine efficace, 2) la mémoire joue un rôle clé dans la mise en œuvre de l'apprentissage d'invariance et améliore les performances avec un coût computationnel supplémentaire limité, 3) GPP peut faciliter l'apprentissage d'invariance et ainsi améliorer considérablement les résultats, et 4) notre approche produit une nouvelle précision d'adaptation de pointe sur trois benchmarks à grande échelle de re-ID.