Eine Änderung der gemeinsamen Verteilung von Eingaben und Zielen zwischen Training (Quelle) und Einsatz (Ziel), die dazu führen kann, dass ein auf der Quelle trainiertes Modell auf dem Ziel schlechter abschneidet.

Prinzip

Leistung hängt von Verteilungsannahmen ab; ändern sich die Rand‑ oder Konditionalverteilungen, ist der empirische Risikominimierer der Quelle möglicherweise nicht mehr optimal für das Ziel.

Demonstration

Ein Spracherkenner, der auf Studioaufnahmen (Quelle) trainiert wurde, zeigt höhere Fehlerraten bei Telefonaufnahmen mit Hintergrundrauschen (Ziel), weil sich die akustische Eingangsverteilung und die Störbedingungen unterscheiden.

Fehlanwendung

Jeden Leistungsabfall pauschal als ‚Domänenverschiebung‘ zu bezeichnen, ohne zu prüfen, ob es sich um Labelrauschen, Datensatz‑Bias, Bewertungsinkongruenz oder einen tatsächlichen Wechsel der konditionalen Verteilungen handelt; diese Vermischung führt zu ungeeigneten Gegenmaßnahmen.

Konsequenz

Die Erkennung einer Domänenverschiebung motiviert Anpassung, Monitoring oder Retraining; deren Nicht-Erkennung führt zu stiller Leistungsverschlechterung und unzuverlässigen Vorhersagen in kritischen Anwendungen.

Umkehrung

Distributionale Stationarität: die Annahme, dass keine Verschiebung vorliegt, also Trainings- und Einsatzverteilung identisch sind und keine Anpassung nötig ist.

Abgrenzung

Bezieht sich auf verteilungsbedingte Differenzen, die prädiktive Leistung beeinflussen; schließt triviale Messfluktuationen aus, die keine konditionalen Beziehungen ändern, und Situationen, in denen sich nur die Labeldefinitionen oder Aufgaben ändern (Concept Drift als Änderung der Labelfunktion).

Semantische Spannung

Steht im Wettbewerb mit verwandten Begriffen wie Covariate Shift, Label Shift und Concept Drift; Spannung entsteht, weil ‚Domänenverschiebung‘ oft als Sammelbegriff für unterschiedliche formale Phänomene genutzt wird, die verschiedene Lösungen verlangen.

Synthese

Domänenverschiebung beschreibt die empirische Tatsache, dass sich datengenerierende Prozesse kontextabhängig ändern; eine präzise Diagnose, welche Verteilungen betroffen sind (marginal, konditional oder beide), leitet passende Maßnahmen wie Umgewichtung, Anpassung oder Neudefinition der Aufgabe.