Dans les problèmes classiques d’adaptation de domaine non supervisée, on suppose que le domaine cible partage le même ensemble de classes que le domaine source. En pratique, il existe des situations où les données du domaine cible proviennent uniquement d’un sous-ensemble des classes du domaine source, et il n’est pas connu a priori quelles classes elles appartiennent, étant donné qu’elles sont non étiquetées. Ce problème a été formulé dans la littérature sous le nom d’adaptation de domaine partielle (Partial Domain Adaptation, PDA), et constitue un défi majeur en raison du phénomène de transfert négatif (c’est-à-dire que les données du domaine source appartenant à des classes non pertinentes nuisent à l’adaptation entre domaines).Nous abordons le problème de PDA en détectant progressivement les classes aberrantes (outliers) dans le domaine source. Ainsi, le problème de PDA se réduit à un problème d’adaptation de domaine non supervisée plus simple, pouvant être résolu sans le risque de transfert négatif. Plus précisément, nous utilisons la projection préservant la localité (Locality Preserving Projection, LPP) afin d’apprendre un sous-espace commun latent, dans lequel un algorithme de propagation de labels est appliqué pour étiqueter les données du domaine cible. Les classes aberrantes peuvent être identifiées lorsque aucune donnée du domaine cible n’est étiquetée comme appartenant à ces classes. Ces classes détectées sont alors éliminées du domaine source, et le processus est répété itérativement jusqu’à convergence. Les résultats expérimentaux sur des jeux de données couramment utilisés, Office31 et Office-Home, montrent que la méthode proposée atteint des performances de pointe, avec une précision moyenne de 98,1 % et 75,4 % respectivement.