Domänskift

Domänskift, eller domänförskjutning, är ett fenomen inom maskininlärning och statistik där modellen tränats på data från en domän som inte exakt motsvarar den domän där den används. Det kan leda till försämrad generalisering och felaktiga förutsägelser när modellen tillämpas i en ny miljö.

Tre vanliga typer beskrivs ofta: Förskjutning i X-fördelningen mellan tränings- och användningsdata, medan sambandet mellan X och Y (Y|X) förblir oförändrat. Detta kallas oftast kovariatförskjutning. Förändringar i fördelningen av etiketter Y mellan träning och test, medan fördelningen av X|Y är oförändrad, kallas etikettförskjutning eller priorförskjutning. Konceptförskjutning innebär att Y|X-sambandet förändras över tid eller mellan domäner.

På verkningsnivå innebär domänskift att en modell som presterade bra på träning inte nödvändigtvis gör det på ny data. Vanliga exempel är bildklassificering med olika belysning eller kamera, sensor- eller ljuddata från olika enheter, eller textdata där språkbruk och stil varierar mellan käll- och måldomäner.

Mot åtgärder används domänanpassning och transfer learning för att motverka effekten. Metoder inkluderar viktning av träningsdata för att spegla målpopulationen, inlärning av domäninvarianta representationer, och adversarial träning som försöker göra domänerna svåra att skilja åt. I vissa fall används små mängder märkt data från mål-domänen för finjustering.

Domänskift är en central utmaning i tillämpad maskininlärning och datorseende, och rätt typ av anpassningsstrategi beror på vilken form av skift som föreligger.