Dans cet article, nous abordons le problème de la généralisation de domaine : comment apprendre une représentation de caractéristiques généralisée pour un domaine cible « inconnu » en tirant parti de données provenant de plusieurs domaines sources observés. Nous proposons un cadre novateur fondé sur les auto-encodeurs adversariaux afin d’apprendre une représentation latente de caractéristiques généralisée à travers les domaines, dans le cadre de la généralisation de domaine. Plus précisément, nous étendons les auto-encodeurs adversariaux en introduisant la mesure Maximum Mean Discrepancy (MMD) pour aligner les distributions entre différents domaines, tout en adaptant la distribution alignée à une distribution a priori arbitraire via une apprentissage adversarial des caractéristiques. Ainsi, la représentation de caractéristiques apprise devrait être universelle aux domaines sources observés grâce à la régularisation MMD, et devrait généraliser efficacement au domaine cible grâce à l’introduction de la distribution a priori. Nous proposons un algorithme permettant d’entraîner de manière conjointe les différents composants de notre cadre. Des expériences étendues sur diverses tâches de vision montrent que notre cadre proposé permet d’apprendre des caractéristiques généralisées supérieures pour un domaine cible inconnu par rapport aux méthodes de pointe en généralisation de domaine.