搜尋意圖： 如果你在找「域轉移 是什麼」或「域轉移 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 訓練資料與測試資料來自不同的統計分布或應用環境，導致模型性能下降的現象。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
訓練資料與測試資料來自不同的統計分布或應用環境，導致模型性能下降的現象。
域轉移（Domain Shift）也稱為域適應問題（Domain Adaptation），是機器學習實務中最普遍但常被低估的挑戰。每當模型跨越地理邊界、時間邊界、應用場景邊界時，都面臨域轉移的風險。
域轉移的多種形式
邊際分布轉移（Marginal Distribution Shift） 特徵 X 的分布在訓練域與測試域不同：P_train(X) ≠ P_test(X)。
- 例：識別貓的分類器在『自然照片』上訓練，部署到『卡通圖』環境時失效。
- 解決方法：無監督域適應（Unsupervised Domain Adaptation），利用測試域的無標注數據調適特徵分布。
條件分布轉移（Conditional Distribution Shift）或標籤轉移（Label Shift） 預測規則在域間改變：P_train(Y|X) ≠ P_test(Y|X)，或邊際類別分布改變：P_train(Y) ≠ P_test(Y)。
- 例：醫院 A 中罕見病的患病率為 0.1%，醫院 B 為 5%，相同的症狀在兩家醫院有不同的後驗機率。
- 解決方法：貝葉斯修正、代價敏感學習、重要性加權。
協變量轉移（Covariate Shift） P(X) 改變但 P(Y|X) 保持：更具體的邊際分布轉移形式。
- 例：垃圾郵件分類器在 2015 年訓練，2025 年部署時，垃圾郵件的詞彙風格（協變量）已變，但某個詞彙指示垃圾的機率（條件機率）未變。
- 解決方法：重要性加權、特徵標準化、無監督特徵適應。
先驗概率轉移（Prior Probability Shift） P(Y) 改變但 P(X|Y) 保持。
- 例：訓練時正負樣本比 1:10，部署時比變為 1:100。
- 解決方法：調整決策閾值、代價敏感學習。
開集域轉移（Open-set Domain Shift） 測試域包含訓練域未見過的類別。
- 例：識別 10 類車型的模型，部署時遇到第 11 種從未見過的車型。
- 解決方法：開集識別（Open-set Recognition）、異常檢測。
應對域轉移的主要策略
無監督域適應（Unsupervised Domain Adaptation, UDA）
- 使用未標注的測試域數據調適模型，不需要測試域的標注。
- 方法：最大化訓練域與測試域在特徵空間的相似性（如 MMD - Maximum Mean Discrepancy），或利用對抗訓練使特徵不可區分兩個域。
- 代表方法：Deep CORAL、Adversarial Domain Adaptation、Self-training with Pseudo-labels。
遷移學習（Transfer Learning）與微調（Fine-tuning）
- 在源域大規模標注數據上預訓練，在目標域少量標注數據上微調。
- 現代深度學習中最實用的方法：預訓練模型（如 ImageNet 預訓練的 ResNet）往往對新域有強大的泛化能力。
多域學習（Multi-domain Learning）
- 同時在多個源域訓練，習得跨域的通用表示。
- 使模型對域變更更鯺魯棒。
測試時適應（Test-time Adaptation）
- 在部署時，利用測試樣本的無標注信息進行在線學習，持續調適模型。
- 例如，自動駕駛系統在夜晚部署時，實時調整以適應暗光環境。
特徵歸一化與正則化
- Batch Normalization、Layer Normalization 等可緩解某些域轉移。
- 原因：這些技術使模型對特徵分布的變動不那麼敏感。
資料增強（Data Augmentation）
- 在訓練時施加與預期域轉移相似的變換（如影像旋轉、色彩抖動、背景模糊），提前「暴露」模型到可能的分布變化。
- 現代增強技術（如 RandAugment、AutoAugment）能自動搜尋最有效的增強策略。
因果推斷與不變性學習（Invariant Learning）
- 而非單純地擬合訓練分布，改為學習在多個域都成立的因果關係（不變特徵）。
- 例如，『如果貓的耳朵豎立，則是貓』這個規則對各種光照、背景都成立，是不變的因果關係。
實務中常見的域轉移場景
- 計算機視覺：不同相機、光照、天氣、季節、地理位置導致的圖像風格差異。
- 自然語言處理：不同語言、方言、文體、時代的文本分布差異。
- 語音識別：不同口音、性別、年齡、錄音設備、環境雜訊。
- 推薦系統：用戶群體變化、季節變化、地區差異導致的偏好分布改變。
- 醫療 AI：不同醫院的設備、標注習慣、患者人群差異。
- 金融風控：市場環境、經濟周期、政策變化導致的特徵與風險關係改變。
常見問題
什麼是協變量轉移（Covariate Shift）？怎麼應對？
協變量轉移是指特徵分布 P(X) 改變，但給定特徵下的標籤條件機率 P(Y|X) 保持不變的情況。經典例子是垃圾郵件分類：訓練集來自 2015 年的郵件，2025 年部署時，垃圾郵件的詞彙 distribution（如新興詞彙、表情符號）已完全不同，但這些詞彙與垃圾的映射關係並未改變。應對方法有：第一，重要性加權（Importance Weighting），根據 P_test(X) / P_train(X) 為訓練樣本重新加權，使訓練分布近似測試分布；第二，特徵標準化或白化，使特徵分布變得與原始分布無關；第三，無監督域適應，用測試域無標注數據調整特徵表示。
預訓練模型為什麼能減輕域轉移？
在大規模通用資料上預訓練的模型（如 ImageNet 預訓練 ResNet）習得的是『底層視覺特徵』（邊、紋理、形狀），這些特徵對特定域的差異具有相當的魯棒性。當用這個預訓練模型在新域做微調時，只需調整『頂層的分類層』，而底層特徵已經泛化，因此對新域的適應能力強。反之，若從隨機初始化開始在新域訓練，模型會過度『記憶』新域的具體特徵，對其他域的泛化能力差。這也是遷移學習有效的本質原因：通用的、自監督預訓練特徵天然對多個域都適用。
開集域轉移（Open-set Domain Shift）比普通域轉移困難在哪裡？
普通域轉移假設訓練域和測試域的類別集合相同，只是分布不同。開集域轉移則是測試域包含訓練域未見過的類別，模型不只要適應分布改變，還要能識別『我沒見過這個類別』。這增加了兩層難度：第一，傳統分類器（如 Softmax）無法拒絕預測未知類別，即使高度不確定也會強行分配到已知類別；第二，域適應的假設（源域與目標域的類別相同）被違反。應對方法包括開集識別（在特徵空間中定義『已知類別的邊界』，超出邊界的判為未知）、異常檢測、以及考慮不確定性的概率方法（Bayesian）。