Label Shift（标签偏移）

在标准监督学习假设中，训练和测试数据独立同分布。标签偏移违反此假设，表现为类别先验变化，例如训练集中罕见病比例低而测试集中高。此时直接应用模型会导致偏差。经典方法包括基于重要性加权（如将测试样本权重设为P_test(y)/P_train(y)）和EM算法估计测试标签分布。黑盒偏移（BBSE）利用混淆矩阵估计权重。标签偏移在医疗、金融等领域常见，是领域适应的重要研究分支。