領域適應（Domain Adaptation）是什麼？

將在來源領域（Source Domain）訓練的模型調整為能有效應用於目標領域（Target Domain）的遷移學習技術。

領域適應（Domain Adaptation）是遷移學習的重要子領域，處理當訓練環境（來源領域）與實際部署環境（目標領域）存在分布差異時的模型適應問題。這在現實 AI 應用中極為普遍，因為收集大量目標領域的標注資料往往成本高昂或在技術上不可行。

領域適應的挑戰根源是「協變量偏移」（Covariate Shift）和「標籤偏移」（Label Shift）。協變量偏移指輸入特徵的分布在來源和目標領域之間不同（P_s(X) ≠ P_t(X)），但條件標籤分布 P(Y|X) 相同；標籤偏移指類別分布本身改變（如目標領域某疾病發病率更高）。不同類型的偏移需要不同的適應策略。

根據目標領域標注資料的可用性，領域適應分為幾種設定：無監督領域適應（Unsupervised Domain Adaptation, UDA）目標領域無任何標注，是研究最廣泛的設定；半監督領域適應目標領域有少量標注；監督領域適應（即一般的微調）目標領域有足夠標注，此時一般的微調即可。

無監督領域適應的主流技術包括幾類。特徵對齊方法（Feature Alignment）訓練特徵提取器使兩個領域的特徵分布趨於一致，DANN（Domain-Adversarial Neural Network）是代表性方法：在特徵提取器後加一個領域分類器，通過對抗訓練使特徵提取器生成「無法區分來源領域和目標領域的特徵」，從而實現隱式對齊。

自訓練（Self-Training）是另一類重要技術：先用在來源領域訓練的模型對目標領域無標注資料打偽標籤（Pseudo Labels），然後用高置信度的偽標籤作為監督信號繼續訓練，如此迭代。儘管偽標籤有一定誤差，這種自舉（Bootstrapping）方式通常能顯著提升目標領域性能。

在大型語言模型時代，領域適應通常以微調形式實現：在目標領域語料（如醫療文獻、法律條文、特定語言的文字）上繼續訓練（持續預訓練）或使用指令微調，讓 LLM 掌握目標領域的術語、風格和知識框架。參數高效微調（LoRA、Adapter）使這個過程以合理成本完成。

在 iPAS AI 應用規劃師考試中，領域適應是遷移學習章節的核心概念，考生需要理解與一般微調、零樣本學習的區別，以及在實際業務場景（如將通用 OCR 適應到特定行業票據識別）中的應用邏輯。

對抗領域適應（Adversarial Domain Adaptation）是無監督領域適應的重要方法系列。除前述的 DANN 外，ADDA（Adversarial Discriminative Domain Adaptation）通過判別式訓練策略提升對齊效果；MCD（Maximum Classifier Discrepancy）使用兩個任務分類器之間的不一致性作為領域差異的代理信號，引導特徵提取器最小化目標領域上兩個分類器的差異。

計算機視覺中的領域適應有獨特的應用場景：合成資料到真實資料的適應（Synthetic-to-Real Adaptation）。訓練自動駕駛感知系統時，可以用遊戲引擎（如 GTA5、CARLA）生成大量帶標注的合成圖像，再通過領域適應減少合成圖像與真實道路場景之間的外觀差距，大幅降低人工標注成本。

測試時適應（Test-Time Adaptation, TTA）是更進一步的設定：模型在測試時遇到分布偏移後，在不訪問源域資料的情況下，僅利用當前測試批次的統計資訊進行即時自我調整。TTT（Test-Time Training）等方法讓模型在測試推論時也能進行少量梯度更新，使其適應當前批次的分布特性，在自然影像分布偏移（如天氣變化、相機老化）的持續適應上展現潛力。