In diesem Kapitel stellen wir CORrelation ALignment (CORAL), eine einfache und dennoch effektive Methode für die unüberwachte Domänenanpassung, vor. CORAL minimiert den Domänenversatz, indem es die zweitordnungsstatistischen Eigenschaften der Quell- und Zielverteilungen ausrichtt, ohne dabei irgende Zieleinträge zu benötigen. Im Gegensatz zu Subraum-Manifold-Methoden richtet es die ursprünglichen Merkmalsverteilungen der Quell- und Zielbereiche aus, anstatt die Basen niedrigerdimensionaler Subräume. Es ist auch viel einfacher als andere Verteilungsangleichmethoden. CORAL erzielt bemerkenswerte Ergebnisse in umfangreichen Auswertungen auf Standard-Benchmark-Datensätzen. Wir beschreiben zunächst eine Lösung, die eine lineare Transformation auf Quellmerkmale anwendet, um sie mit Zielmerkmalen auszurichten, bevor das Klassifikationsmodell trainiert wird. Für lineare Klassifikatoren schlagen wir vor, CORAL äquivalent auf die Gewichte des Klassifikators anzuwenden, was zu zusätzlicher Effizienz führt, wenn die Anzahl der Klassifikatoren gering ist, aber die Anzahl und Dimensionalität der Zielbeispiele sehr hoch sind. Das resultierende CORAL Lineare Diskriminanzanalyse (CORAL-LDA) übertrifft LDA bei weitem auf Standard-Domänenanpassungsbenchmarks. Schließlich erweitern wir CORAL zur Lernung einer nichtlinearen Transformation, die Korrelationen von Schichtaktivierungen in tiefen neuronalen Netzen (DNNs) ausrichtt. Der resultierende Deep-CORAL-Ansatz arbeitet nahtlos mit DNNs zusammen und erreicht Spitzenleistungen auf Standard-Benchmark-Datensätzen. Unser Code ist unter folgender URL verfügbar: \url{https://github.com/VisionLearningGroup/CORAL}