L’adaptation de domaine est le processus visant à réduire les écarts de distribution entre des données provenant de domaines différents. Dans cet article, nous montrons que les méthodes d’adaptation de domaine utilisant des relations par paires entre les données des domaines source et cible peuvent être formulées comme une intégration de graphes, dans laquelle les étiquettes de domaine sont intégrées dans la structure des graphes intrinsèques et des graphes de pénalité. Plus précisément, nous analysons les fonctions de perte de trois méthodes d’adaptation de domaine supervisée de pointe existantes et démontrons qu’elles réalisent une intégration de graphes. En outre, nous mettons en évidence certains problèmes de généralisation et de reproductibilité liés au cadre expérimental couramment utilisé pour illustrer les capacités d’apprentissage à très peu d’exemples de ces méthodes. Afin d’évaluer et de comparer de manière précise les méthodes d’adaptation de domaine supervisée, nous proposons un protocole d’évaluation corrigé, et présentons des références mises à jour sur les jeux de données standards Office31 (Amazon, DSLR et Webcam), Digits (MNIST, USPS, SVHN et MNIST-M) et VisDA (Synthétique, Réel).