Dans cet article, nous abordons l'adaptation de domaine multi-cible (MTDA), où, étant donné un ensemble de données source étiqueté et plusieurs ensembles de données cibles non étiquetés qui diffèrent dans leurs distributions de données, la tâche consiste à apprendre un prédicteur robuste pour tous les domaines cibles. Nous identifions deux aspects clés qui peuvent aider à atténuer les décalages multiples de domaine dans le MTDA : l'agrégation des caractéristiques et l'apprentissage par programme progressif. À cette fin, nous proposons l'enseignement conjoint par graphe progressif (CGCT) qui utilise une tête classificatrice double, l'une d'elles étant un réseau de convolution graphique (GCN) qui agrège les caractéristiques provenant d'échantillons similaires entre les domaines. Pour éviter que les classificateurs ne surapprennent à partir de leurs propres étiquettes pseudo-bruitées, nous développons une stratégie d'enseignement conjoint assistée par l'apprentissage par programme progressif afin d'obtenir des étiquettes pseudo plus fiables. De plus, lorsque les labels de domaine sont disponibles, nous proposons l'apprentissage par programme progressif adapté au domaine (DCL), une stratégie d'adaptation séquentielle qui s'adapte d'abord aux domaines cibles plus faciles, puis aux plus difficiles. Nous démontrons expérimentalement l'efficacité de nos cadres proposés sur plusieurs benchmarks et améliorons considérablement l'état de l'art dans le MTDA avec des marges importantes (par exemple, +5,6% sur DomainNet).