على عكس التعلم البشري، غالبًا ما يفشل التعلم الآلي في التعامل مع التغيرات بين توزيعات المدخلات في مرحلة التدريب (المصدر) ومرحلة الاختبار (الهدف). هذه الانحرافات المجالية، التي تكون شائعة في السيناريوهات العملية، تضر بشكل كبير بأداء طرق التعلم الآلي التقليدية. تم اقتراح طرق التكيف المجالي المراقبة للحالات التي يكون فيها بيانات الهدف مصحوبة بالتصنيفات، بما في ذلك بعض الطرق التي تعمل بشكل جيد للغاية رغم أنها "مزعجة ببساطتها" في التنفيذ. ومع ذلك، في الممارسة العملية، غالبًا ما تكون بيانات المجال الهدف غير مصنفة، مما يتطلب التكيف غير المراقب. نقترح طريقة بسيطة وفعالة وكفوءة للتكيف المجالي غير المراقب تُسمى تناسق الارتباط (CORAL). تقوم CORAL بتعظيم تقليل الانحراف المجالي من خلال تناسق الإحصاءات من الرتبة الثانية لتوزيعات المصدر والهدف، دون الحاجة إلى أي تصنيفات للبيانات المستهدفة. رغم أنها غاية في البساطة - يمكن تنفيذها في أربع سطور فقط من كود Matlab - إلا أن CORAL أثبتت كفاءتها بشكل ملحوظ في تقييمات شاملة على مجموعات البيانات المرجعية القياسية.