摘要
在本章中，我们介绍了无监督域适应的一种简单而有效的方法——CORrelation ALignment（CORAL）。CORAL通过对齐源域和目标域分布的二阶统计量来最小化域偏移，而无需任何目标标签。与子空间流形方法不同，它对齐的是源域和目标域的原始特征分布，而不是低维子空间的基础。此外，与其他分布匹配方法相比，CORAL也更为简单。在标准基准数据集上的广泛评估中，CORAL表现出色。首先，我们描述了一种解决方案，该方案在分类器训练之前应用线性变换对源特征进行对齐以匹配目标特征。对于线性分类器，我们提出了一种等效的方法，即将CORAL应用于分类器权重上，当分类器数量较少但目标样本的数量和维度非常高时，这种方法可以提高效率。由此产生的CORAL线性判别分析（CORAL-LDA）在标准域适应基准测试中大幅优于传统的LDA方法。最后，我们将CORAL扩展到学习一种非线性变换，以对齐深度神经网络（DNNs）各层激活之间的相关性。由此形成的Deep CORAL方法与DNNs无缝结合，并在标准基准数据集上实现了最先进的性能。我们的代码可在以下地址获取：\url{https://github.com/VisionLearningGroup/CORAL}