L’adaptation de domaine (DA) et la généralisation de domaine (DG) sont apparues comme des solutions au problème de décalage de domaine, où la distribution des données source et cible diffère. La tâche de DG est plus exigeante que celle de DA, car les données cibles sont totalement inconnues pendant la phase d’entraînement dans les scénarios de DG. Les méthodes de pointe actuelles reposent sur des techniques adversariales, mais celles-ci sont rarement appliquées au problème de DG. En outre, ces approches négligent l’alignement des corrélations, qui a été démontré comme particulièrement bénéfique pour minimiser le désaccord entre domaines. Dans cet article, nous proposons un cadre adversarial pour l’adaptation et la généralisation de domaine prenant en compte les corrélations, dans lequel les caractéristiques des données source et cible sont minimisées grâce à un alignement des corrélations combiné à l’apprentissage adversarial. L’intégration du module d’alignement des corrélations avec l’apprentissage adversarial permet d’obtenir un modèle plus indépendant du domaine, grâce à une meilleure capacité à réduire le désaccord entre domaines, notamment avec des données cibles non étiquetées. Des expériences sur des jeux de données standards confirment que la méthode proposée atteint des performances supérieures à l’état de l’art.