في هذا الفصل، نقدم طريقة تكيف المجال بدون إشراف بسيطة ومعتبرة تُعرف باسم مطابقة الارتباط (CORAL). تقوم CORAL بتقليل الاختلاف بين المجالات من خلال مطابقة الإحصائيات من الدرجة الثانية لتوزيعات المصدر والهدف، دون الحاجة إلى أي تصنيفات للبيانات الهدف. على عكس طرق المنظور الفرعي، فإنها تتماشى مع توزيعات الخصائص الأصلية للمجالات المصدر والهدف بدلاً من قواعد الفضاءات ذات الأبعاد الأقل. كما أنها أبسط بكثير من طرق مطابقة التوزيع الأخرى. أظهرت CORAL أداءً ملحوظًا في التقييمات الواسعة على مجموعة بيانات المعايير القياسية. نصف أولاً حلًا يطبق تحويلًا خطيًا على خصائص المصدر لتوحيدها مع خصائص الهدف قبل تدريب المصنف. بالنسبة للمصنفات الخطية، نقترح تطبيق CORAL بشكل مكافئ على وزن المصنف، مما يؤدي إلى كفاءة إضافية عندما يكون عدد المصنفات قليلًا ولكن عدد وبعد البيانات الهدف مرتفعًا جدًا. يؤدي النهج الناتج عن CORAL Linear Discriminant Analysis (CORAL-LDA) إلى تفوق كبير على LDA في اختبارات التكيف بين المجالات القياسية. أخيرًا، نوسع نطاق CORAL لتعلم تحويل غير خطي يتناسب مع ارتباطات التنشيط في الطبقات العميقة للشبكات العصبية العميقة (DNNs). يعمل النهج العميق الناجم عن CORAL بسلاسة مع الشبكات العصبية العميقة ويحقق أداءً رائدًا في مجموعة بيانات المعايير القياسية. شفرتنا متاحة على الرابط:~\url{https://github.com/VisionLearningGroup/CORAL}