L'apprentissage fédéré (FL) permet le développement distribué de modèles en agrégeant plusieurs sources de données confidentielles. Le transfert d'information entre les clients peut être compromis par des différences de distribution, c’est-à-dire par des données non i.i.d. Un scénario particulièrement difficile consiste à adapter un modèle fédéré à un client cible sans accès à des données annotées. Nous proposons FACT (Federated Adversarial Cross Training), une méthode qui exploite les différences implicites entre les clients sources pour détecter les décalages de domaine dans le domaine cible. À chaque itération de FL, FACT initialise de manière croisée une paire de clients sources afin de générer des représentations spécialisées par domaine, qui sont ensuite utilisées comme adversaire direct pour apprendre une représentation de données invariante par rapport au domaine. Nous démontrons empiriquement que FACT surpasser les modèles d’adaptation de domaine les plus avancés, tant fédérés que non fédérés, ainsi que les modèles d’adaptation de domaine sans source, sur trois benchmarks populaires à multiple source et une cible unique, et dépasse également les modèles d’adaptation de domaine non supervisée (UDA) les plus récents dans des expériences à une seule source et une seule cible. Nous étudions également le comportement de FACT sous des contraintes de communication et en fonction du nombre de clients participants.