Eine Klasse von Techniken, die ein auf einer Quelldatenverteilung trainiertes Modell modifizieren oder feinabstimmen, damit es auf einer anderen Zielverteilung gut funktioniert, typischerweise mit wenig oder keinen gelabelten Zielbeispielen.

Prinzip

Übertrage oder gleiche prädiktive Strukturen zwischen Quelle und Ziel an, sodass die Entscheidungsregel des Modells trotz Unterschieden in den Eingangsverteilungen oder messbedingten Änderungen gültig bleibt.

Demonstration

Ein Objekterkennungsmodell auf synthetischen Bildern (Quelle) trainieren und es mithilfe unüberwachter Merkmalsanpassung auf reale Kamerabilder (Ziel) anpassen; nach der Anpassung steigt die Erkennungsgenauigkeit auf den realen Bildern gegenüber dem nicht adaptierten Modell.

Fehlanwendung

Domain Adaptation als reines Umgewichtungsproblem der Quellbeispiele zu behandeln, obwohl sich die konditionale Labelverteilung unterscheidet (Label shift), was Verzerrungen verstärken und die Genauigkeit senken kann; oder Merkmale zu stark anzugleichen und dabei aufgabenrelevante Unterscheidungssignale zu entfernen.

Konsequenz

Richtig angewandt erzielt das eingesetzte Modell deutlich bessere Ziel-Performance ohne umfangreiche gelabelte Zieldaten; bei Fehlanwendung kann die Leistung sinken und versteckte Verzerrungen verstärkt werden.

Umkehrung

Domänen­spezialisierung: separate Modelle strikt für jede Domäne trainieren, ohne Transferversuch, oder auf Anpassung verzichten und davon ausgehen, dass das quelltrainierte Modell unverändert generalisiert.

Abgrenzung

Gilt, wenn Quelle und Ziel verwandte Aufgaben oder Labels teilen und eine statistische Beziehung zwischen Domänen besteht; sie schafft keine verlässliche Performance, wenn die Ziel-Labelfunktion grundlegend anders ist oder die Zielunterstützung außerhalb der Quellunterstützung liegt.

Semantische Spannung

Überlappt mit Transferlernen, Kovariantenverschiebungskorrektur und Feinabstimmung; Spannungen entstehen, wenn ‚Domänenanpassung‘ als beliebige zwischen-Datensatz-Anpassung verwendet wird, obwohl die formalen Annahmen (welche Verteilungen sich ändern) unterschiedlich sind.

Synthese

Domänenanpassung ist die praktische Methodeensammlung, die die Lücke zwischen quelltrainierten Modellen und einer neuen Zielverteilung schließt, indem sie nützliche prädiktive Strukturen transferiert oder angleicht und zugleich die durch Labeländerungen und Support‑Mismatch gesetzten Grenzen beachtet.