L’adaptation de domaine non supervisée (UDA) vise à exploiter les connaissances acquises à partir d’un ensemble de données source étiqueté afin de résoudre des tâches similaires dans un nouveau domaine non étiqueté. Les méthodes UDA antérieures exigent généralement l’accès aux données sources lors de l’apprentissage de l’adaptation du modèle, ce qui les rend risquées et inefficaces pour des données privées décentralisées. Ce travail aborde un cadre pratique où seule un modèle source entraîné est disponible, et explore comment utiliser efficacement ce modèle sans accès aux données sources pour résoudre des problèmes d’UDA. Nous proposons un cadre simple mais générique d’apprentissage de représentations, nommé Source HypOthesis Transfer (SHOT). SHOT fige le module classificateur (hypothèse) du modèle source et apprend le module d’extraction de caractéristiques spécifique au domaine cible en exploitant à la fois la maximisation de l’information et une pseudo-étiquetage auto-supervisé, afin d’aligner implicitement les représentations du domaine cible sur l’hypothèse du modèle source. Pour vérifier sa polyvalence, nous évaluons SHOT dans diverses situations d’adaptation, y compris l’adaptation à ensemble fermé, à ensemble partiel et à ensemble ouvert. Les expérimentations montrent que SHOT obtient des résultats de pointe sur plusieurs benchmarks d’adaptation de domaine.