Nous proposons une nouvelle technique appelée CHATTY : Coupled Holistic Adversarial Transport Terms with Yield pour l’adaptation de domaine non supervisée. L’apprentissage adversaire est couramment utilisé pour apprendre des représentations invariantes par rapport au domaine en inversant les gradients provenant d’une tête discriminateur de domaine afin d’entraîner les couches extractrices de caractéristiques d’un réseau neuronal. Nous proposons des modifications importantes à la tête adversaire, à son objectif d’entraînement ainsi qu’à la tête classificateur. Dans le but de réduire la confusion entre classes, nous introduisons un sous-réseau qui déplace de manière apprenable les sorties du classificateur des échantillons provenant des domaines source et cible. Ce déplacement est contrôlé par une nouvelle perte de transport qui écarte les groupes de classes les uns des autres, facilitant ainsi pour le classificateur la détermination des frontières de décision dans les deux domaines, source et cible. L’ajout de cette nouvelle perte à une sélection soigneuse d’anciennes pertes proposées conduit à une amélioration des résultats sur les tâches d’adaptation de domaine non supervisée par rapport aux méthodes précédemment les plus performantes sur des jeux de données standard. Nous démontrons l’importance du terme de perte proposé à l’aide d’études d’ablation et de visualisations du mouvement des échantillons du domaine cible dans l’espace de représentation.