L’adaptation de domaine s’intéresse au problème du transfert de connaissances entre des domaines distincts, où le domaine source étiqueté et le domaine cible non étiqueté présentent des distributions de données différentes. Récemment, l’entraînement adversaire a été efficacement appliqué à l’adaptation de domaine, atteignant des performances de pointe. Toutefois, les modèles adversaires actuels souffrent encore d’un défaut fondamental lié au problème d’équilibre inhérent à l’entraînement adversaire. Plus précisément, bien que la plupart des méthodes existantes parviennent à tromper le discriminateur de domaine, elles ne garantissent pas que les distributions du domaine source et du domaine cible soient suffisamment similaires. Dans cet article, nous proposons une nouvelle approche nommée réseaux adversaires transfert conditionnels cycliquement cohérents (3CATN) pour remédier à ce problème. Notre méthode assure l’alignement des domaines grâce à un entraînement adversaire. Plus précisément, nous conditionnons les réseaux adversaires à l’aide de la covariance croisée des caractéristiques apprises et des prédictions du classificateur, afin de capturer les structures multimodales des distributions de données. Toutefois, comme les prédictions du classificateur ne sont pas toujours fiables, une condition forte basée sur celles-ci peut être risquée lorsque les prédictions sont inexactes. Nous proposons donc que les caractéristiques véritablement invariantes au domaine doivent pouvoir être traduites d’un domaine à l’autre. À cette fin, nous introduisons deux pertes de traduction de caractéristiques et une perte cycliquement cohérente dans le cadre des réseaux d’adaptation de domaine adversaires conditionnels. Des expériences étendues sur des jeux de données classiques et à grande échelle montrent que notre modèle surpasse significativement les méthodes de pointe précédentes.