Contrairement à l'apprentissage humain, l'apprentissage automatique échoue souvent à gérer les changements entre les distributions d'entrée d'entraînement (source) et de test (cible). Ces décalages de domaine, courants dans les scénarios pratiques, nuisent gravement aux performances des méthodes d'apprentissage automatique conventionnelles. Des méthodes de adaptation supervisée de domaine ont été proposées pour le cas où les données cibles possèdent des étiquettes, certaines se révélant très efficaces malgré leur implémentation « frustrante par sa simplicité ». Cependant, en pratique, le domaine cible est souvent non étiqueté, nécessitant une adaptation non supervisée. Nous proposons une méthode simple, efficace et efficiente pour l'adaptation non supervisée de domaine appelée CORrelation ALignment (CORAL). CORAL minimise le décalage de domaine en alignant les statistiques du deuxième ordre des distributions source et cible, sans nécessiter aucune étiquette cible. Bien qu'elle soit extrêmement simple — elle peut être mise en œuvre en quatre lignes de code Matlab — CORAL présente des performances remarquables lors d'évaluations approfondies sur des jeux de données standards de référence.