令人沮丧的简单域适应的回归

与人类学习不同，机器学习常常无法处理训练（源）和测试（目标）输入分布之间的变化。这种域偏移在实际场景中很常见，严重损害了常规机器学习的性能。针对目标数据有标签的情况，已有监督域适应方法被提出，其中包括一些尽管实现“简单得令人沮丧”却表现非常好的方法。然而，在实践中，目标域通常是无标签的，需要无监督适应。我们提出了一种用于无监督域适应的简单、有效且高效的方法，称为相关对齐（CORAL）。CORAL通过对齐源和目标分布的二阶统计量来最小化域偏移，无需任何目标标签。尽管它极其简单——可用四行Matlab代码实现——CORAL在标准基准数据集上的广泛评估中表现异常出色。