L’adaptation de domaine vise à transférer des connaissances en présence d’un écart entre les domaines. Les méthodes existantes d’adaptation de domaine reposent sur des connaissances a priori riches concernant les relations entre les ensembles d’étiquettes des domaines source et cible, ce qui limite fortement leur application dans des contextes réels. Ce papier introduit une nouvelle approche appelée Adaptation de Domaine Universelle (UDA), qui ne nécessite aucune connaissance a priori sur les ensembles d’étiquettes. Étant donné un ensemble d’étiquettes source et un ensemble d’étiquettes cible, ceux-ci peuvent partager un sous-ensemble commun tout en possédant chacun un sous-ensemble d’étiquettes propres, ce qui introduit un nouvel écart catégoriel. L’objectif de l’UDA est que le modèle parvienne à (1) classifier correctement un échantillon cible s’il est associé à une étiquette présente dans l’ensemble commun, ou (2) le marquer comme « inconnu » dans le cas contraire. Plus important encore, un modèle UDA doit fonctionner de manière stable face à une large gamme de niveaux de similarité (c’est-à-dire la proportion de l’ensemble commun par rapport à l’ensemble complet des étiquettes), afin de pouvoir traiter efficacement des problèmes du monde réel où l’ensemble d’étiquettes cible est inconnu. Pour résoudre ce problème d’adaptation universelle, nous proposons le Réseau d’Adaptation Universelle (UAN). Celui-ci évalue la transférabilité au niveau des échantillons afin de découvrir l’ensemble d’étiquettes commun ainsi que les ensembles d’étiquettes propres à chaque domaine, favorisant ainsi l’adaptation dans l’ensemble commun automatiquement identifié et permettant une reconnaissance efficace des échantillons « inconnus ». Une évaluation approfondie montre que UAN surpasser les méthodes les plus avancées d’adaptation de domaine fermée, partielle et ouverte dans ce nouveau cadre d’UDA.