Ce travail aborde le problème d’adaptation de domaine non supervisée, en particulier dans le cas où les étiquettes de classe dans le domaine cible ne constituent qu’un sous-ensemble de celles du domaine source. Ce cadre de transfert partiel est réaliste mais difficile, et les méthodes existantes souffrent toujours de deux problèmes clés : le transfert négatif et la propagation de l’incertitude. Dans cet article, nous nous appuyons sur l’apprentissage adversaire de domaine et proposons une nouvelle méthode d’adaptation de domaine, appelée BA$^3$3US, basée sur deux techniques innovantes : l’alignement adversaire équilibré (BAA) et la suppression adaptative de l’incertitude (AUS). D’un côté, le transfert négatif entraîne une mauvaise classification des échantillons cibles vers des classes présentes uniquement dans le domaine source. Pour résoudre ce problème, BAA vise à équilibrer les distributions de classes entre les domaines de manière simple et efficace : elle exploite aléatoirement quelques échantillons du domaine source pour enrichir le domaine cible plus petit lors de l’alignement, afin d’assurer une symétrie entre les classes des deux domaines. De l’autre côté, un échantillon du domaine source est considéré comme incertain s’il existe une classe incorrecte ayant un score de prédiction relativement élevé ; cette incertitude se propage facilement aux données non étiquetées du domaine cible voisines pendant l’alignement, ce qui dégrade sévèrement les performances d’adaptation. Ainsi, nous proposons AUS, une méthode qui met l’accent sur les échantillons incertains et utilise une fonction objectif d’entropie complémentaire pondérée de manière adaptative afin de favoriser des scores de prédiction faibles et uniformes pour les classes incorrectes. Les résultats expérimentaux sur plusieurs benchmarks démontrent que notre méthode BA$^3$3US surpasse les états de l’art pour les tâches d’adaptation de domaine partielle. Le code est disponible à l’adresse suivante : \url{https://github.com/tim-learn/BA3US}.