深層ニューラルネットワークは、大量のラベル付き入力データから強力な表現を学習することができますが、入力分布の変化に対して常に十分に汎化することはできません。ドメイン適応アルゴリズムは、ドメインシフトによる性能低下を補償するために提案されています。本論文では、ターゲットドメインがラベルなしである場合を取り扱い、非監督適応が必要となる状況を考察します。CORAL（Common Orthogonal Rotation and Alignment）は、「面倒なほど簡単」な非監督ドメイン適応手法であり、線形変換によってソースとターゲット分布の二次統計量を揃えます。ここでは、CORALを拡張し、深層ニューラルネットワークの層活性化間の相関を揃える非線形変換を学習する手法（Deep CORAL）を開発しました。標準的なベンチマークデータセットでの実験結果は、最先端の性能を示しています。