L’adaptation universelle de domaine (Universal Domain Adaptation, UniDA) vise le transfert de connaissances en présence à la fois de décalages de covariables et de décalages de labels. Récemment, l’adaptation universelle sans source (Source-free Universal Domain Adaptation, SF-UniDA) est apparue afin de réaliser l’UniDA sans accès aux données sources, une approche qui s’avère généralement plus pratique en raison des politiques de protection des données. Le défi principal réside dans la détermination de l’appartenance des échantillons soumis à un décalage de covariables à des catégories inconnues propres au domaine cible. Les méthodes existantes abordent ce problème soit par des seuillages manuels, soit en développant des stratégies itératives coûteuses en temps pour le regroupement (clustering). Dans cet article, nous proposons une nouvelle approche, LEArning Decomposition (LEAD), qui décompose les caractéristiques en composantes connues et inconnues provenant de la source afin d’identifier les données propres au domaine cible. Techniquement, LEAD utilise d’abord une analyse de décomposition orthogonale pour décomposer les caractéristiques. Ensuite, elle établit des frontières de décision au niveau des instances afin d’identifier de manière adaptative les données propres au domaine cible. Des expériences étendues menées sur divers scénarios d’UniDA démontrent l’efficacité et la supériorité de LEAD. Notamment, dans le scénario OPDA sur le jeu de données VisDA, LEAD obtient une amélioration de 3,5 % sur le score H global par rapport à GLC, tout en réduisant de 75 % le temps nécessaire pour établir les frontières de décision des pseudo-étiquettes. En outre, LEAD se distingue par sa complémentarité avec la plupart des méthodes existantes. Le code est disponible à l’adresse suivante : https://github.com/ispc-lab/LEAD.