技术
Distribution Shift（分布偏移）
分布偏移指训练数据与测试数据分布不一致的现象，导致模型在真实场景中性能下降。它解决的是模型泛化到新环境的问题，典型应用包括领域自适应、鲁棒性学习，代表工作如Domain-Adversarial Training和Test-Time Adaptation。
详细解释
背景：机器学习模型通常假设训练和测试数据独立同分布，但现实应用中这一假设常被打破。技术说明：分布偏移可分为协变量偏移（输入分布变化）、标签偏移（标签分布变化）和概念偏移（输入-标签关系变化）。应对方法包括领域自适应（如对抗训练对齐特征分布）、领域泛化（学习跨域不变表示）和测试时自适应（在测试时调整模型）。评估分布偏移的基准如DomainBed、WILDS等推动了鲁棒性研究。
别名与相关写法
distribution shift
相关术语
相关资讯
FIDAL：分布偏移下的多样性感知联邦主动学习2026/9/29
LLM与传统机器学习在网络入侵检测中的三轴压力测试2026/9/15
分布偏移下传感器AI的可问责不确定性评估2026/9/10
研究质疑：谱可预测性 Ω 匹配不足以指导合成预训练2026/10/23
模型无关在线证书校准应对时序分布漂移2026/9/29
ArtifactBench：分布偏移下的 AI 音乐检测评估2026/9/22
分布偏移下归纳图上的在线贝叶斯节点分类2026/9/15