---
title: "域轉移（Domain Shift）"
slug: domain-shift
language: zh-TW
source: https://aiterms.tw/terms/domain-shift
updated_at: 2026-07-30
tags: [遷移學習, 無監督學習, 域適應, 預訓練, 泛化能力]
ipas_term: false
---

# 域轉移（Domain Shift）

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。

## 完整說明

域轉移（Domain Shift）是指機器學習模型在訓練環境中性能良好，但部署到不同環境（域）時性能大幅下降的問題。例如，在晴朗天氣的行人檢測模型在雨天或夜晚性能急劇惡化，或在美國街道標注的自動駕駛模型在中國路況表現不佳。域轉移涉及多種分布不匹配情況，如邊際分布轉移（特徵分布改變）、條件分布轉移（預測規則改變）、協變量轉移等。

## 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）。

---

來源：https://aiterms.tw/terms/domain-shift
快查頁：https://aiterms.tw/terms/domain-shift
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-domain-shift