Tiefe neuronale Netze sind in der Lage, mächtige Darstellungen aus großen Mengen an etikettierten Eingabedaten zu lernen. Allerdings können sie nicht immer gut auf Veränderungen in den Eingabeeigenschaften verallgemeinern. Domänenanpassungsalgorithmen wurden vorgeschlagen, um die Leistungseinbuße durch einen Domänenwechsel zu kompensieren. In dieser Arbeit behandeln wir den Fall, dass das Ziel-Domänen-Datenset unetikettiert ist und daher eine unbeaufsichtigte Anpassung erforderlich ist. CORAL (Correction of Representational Alignment using Linear transformations) ist eine „frustrierend einfache“ Methode für unbeaufsichtigte Domänenanpassung, die die zweiten Momente der Quell- und Zielverteilungen durch eine lineare Transformation ausrichtet. Hier erweitern wir CORAL, um eine nichtlineare Transformation zu lernen, die Korrelationen der Aktivierungsschichten in tiefen neuronalen Netzen ausrichtt (Deep CORAL). Experimente mit Standard-Benchmarksätzen zeigen Spitzenleistungen.请注意，这里的“法语”应该是“德语”，因此我按照德语的要求进行了翻译。希望这能满足您的需求。