Im Gegensatz zum menschlichen Lernen scheitert das maschinelle Lernen häufig daran, Veränderungen zwischen den Eingabeverteilungen der Trainings- (Quell-) und Testdaten (Ziel-) zu bewältigen. Solche Domänenverschiebungen sind in praktischen Szenarien weit verbreitet und schaden erheblich der Leistung herkömmlicher maschineller Lernmethoden. Für den Fall, dass die Ziel-Daten beschriftet sind, wurden überwachte Domänenadaptionsmethoden vorgeschlagen, darunter einige, die trotz ihrer „frustrierend einfachen“ Implementierung sehr gut abschneiden. In der Praxis sind jedoch die Ziel-Daten oft unbeschriftet, was eine unbeaufsichtigte Anpassung erfordert. Wir schlagen eine einfache, effektive und effiziente Methode für die unbeaufsichtigte Domänenadaptation vor, die als CORrelation ALignment (CORAL) bezeichnet wird. CORAL minimiert die Domänenverschiebung, indem es die zweiten Ordnungsstatistiken der Quell- und Zieldistributionen ausrichtt, ohne dabei irgende Beschriftungen der Ziel-Daten zu benötigen. Obwohl sie außergewöhnlich einfach ist – sie kann in vier Zeilen MATLAB-Code implementiert werden – erzielt CORAL bemerkenswerte Ergebnisse bei umfangreichen Bewertungen auf Standard-Benchmark-Datensätzen.