L'adaptation de domaine est une problématique importante dans laquelle les données sources d'apprentissage et les données cibles de test sont supposées suivre deux distributions différentes. Nous nous plaçons dans le cadre difficile où aucune information sur les étiquettes cibles n'est disponible. D'un point de vue théorique, Ben-David et al. ont montré qu'un classifieur a de meilleures garanties de généralisation lorsque les distributions marginales des données sources et cibles sont proches. Nous présentons une approche basée sur un cadre de Balcan et al. permettant l'apprentissage de classifieurs linéaires à partir de fonctions de similarité n'ayant besoin ni d'être symétriques ni d'être semi-définies positives. Nous exploitons cette propriété pour repondérer la fonction de similarité afin de construire itérativement un espace de projection dans lequel les deux distributions marginales sont proches. Notre approche, formulée sous la forme d'un programme linéaire en norme 1, infère des modèles très parcimonieux montrant de bonnes performances d'adaptation. Nous l'évaluons expérimentalement sur des données synthétiques et des corpus réels d'annotations d'images.