본 장에서는 비지도 도메인 적응을 위한 간단하면서도 효과적인 방법인 CORrelation ALignment (CORAL)을 소개합니다. CORAL은 목표 라벨이 필요하지 않은 상태에서 소스와 타겟 분포의 2차 통계량을 맞추어 도메인 차이를 최소화합니다. 부분 공간 다양체 방법과 달리, CORAL은 저차원 부분공간의 기저가 아닌 소스와 타겟 도메인의 원래 특성 분포를 맞춥니다. 또한 다른 분포 일치 방법보다 훨씬 단순합니다. CORAL은 표준 벤치마크 데이터셋에 대한 광범위한 평가에서 뛰어난 성능을 보입니다. 먼저, 분류기 학습 전에 선형 변환을 적용하여 소스 특성을 타겟 특성과 맞추는 솔루션을 설명합니다. 선형 분류기에 대해서는, 분류기 가중치에 CORAL을 동등하게 적용하는 방안을 제안하여, 분류기의 수가 적지만 타겟 예제의 수와 차원이 매우 높은 경우 효율성을 높일 수 있습니다. 이 결과로 얻어진 CORAL Linear Discriminant Analysis (CORAL-LDA)는 표준 도메인 적응 벤치마크에서 LDA보다 크게 우수한 성능을 보입니다. 마지막으로, 깊은 신경망(DNN)의 계층 활성화 상관관계를 맞추는 비선형 변환을 학습하기 위해 CORAL을 확장합니다. 이로 인해 생성된 Deep CORAL 접근법은 DNN과 원활하게 작동하며, 표준 벤치마크 데이터셋에서 최고 수준의 성능을 달성합니다. 우리의 코드는 다음과 같은 주소에서 이용할 수 있습니다:~\url{https://github.com/VisionLearningGroup/CORAL}