Wir schlagen eine assoziative Domänenanpassung vor, eine neuartige Technik für die end-to-end-Domänenanpassung mit neuronalen Netzen. Diese Technik befasst sich mit der Aufgabe, Klassenlabels für ein nicht beschriftetes Zielgebiet basierend auf den statistischen Eigenschaften eines beschrifteten Quellgebiets zu inferieren. Unser Trainingsverfahren folgt dem Paradigma, dass ein Netzwerk, um effektiv Klassenlabels für das Zielgebiet abzuleiten, statistisch domäneninvariante Einbettungen erzeugen sollte, während es den Klassifizierungsfehler im beschrifteten Quellgebiet minimiert. Dies erreichen wir, indem wir Assoziationen zwischen Quell- und Zielpunktdaten direkt im Einbettungsraum verstärken. Unsere Methode kann leicht zu jedem bestehenden Klassifikationsnetzwerk hinzugefügt werden, ohne strukturelle Änderungen und fast ohne rechnerische Zusatzkosten. Wir demonstrieren die Effektivität unseres Ansatzes an verschiedenen Benchmarks und erzielen überall state-of-the-art-Ergebnisse mit einer generischen Faltungsneuronalen-Netz-Architektur (Convolutional Neural Network), die nicht speziell für die jeweiligen Aufgaben angepasst wurde. Schließlich zeigen wir, dass der vorgeschlagene Assoziationsverlust Einbettungen erzeugt, die für die Domänenanpassung effektiver sind als Methoden, die die maximale mittlere Divergenz (Maximum Mean Discrepancy) als Ähnlichkeitsmaß im Einbettungsraum verwenden.