ドメイン適応（Domain Adaptation, DA）とドメイン一般化（Domain Generalization, DG）は、ソースデータとターゲットデータの分布が異なるというドメインシフト問題に対処するための有効な手法として注目されている。DGのタスクはDAよりもさらに困難であり、DGの設定では訓練フェーズ中にターゲットデータが完全に未観測であるためである。現在の最先端技術では敵対的（adversarial）な手法が用いられているが、これらの手法はDG問題に対してはほとんど検討されていない。さらに、既存のアプローチはドメイン間の相関不一致を考慮していない。一方で、相関整合（correlation alignment）はドメイン差を最小化する上で顕著な効果が実証されている。本論文では、ソースデータとターゲットデータの特徴量を、相関整合と敵対的学習を併用して最小化する、相関に配慮した敵対的DAおよびDGフレームワークを提案する。相関整合モジュールを敵対的学習と統合することで、ラベルなしターゲットデータをより効果的に用いてドメイン差を低減する能力が向上し、よりドメインに依存しないモデルの構築が可能となる。標準ベンチマークデータセットを用いた実験結果から、本手法が最先端の性能を達成することが確認された。