---
title: "領域適應（Domain Adaptation）"
slug: domain-adaptation
language: zh-TW
source: https://aiterms.tw/terms/domain-adaptation
updated_at: 2026-06-22
tags: [遷移學習, 分布偏移, 機器學習, iPAS]
ipas_term: false
---

# 領域適應（Domain Adaptation）

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。

## 完整說明

領域適應（Domain Adaptation）解決機器學習中的「分布偏移」問題：當訓練資料（來源領域）與部署環境（目標領域）的資料分布不同時，模型性能往往大幅下降。領域適應技術通過對齊兩個領域的特徵分布或調整模型，使來源領域的知識能有效遷移到目標領域，減少對目標領域標注資料的需求。

## 常見問題

### 領域適應和微調（Fine-Tuning）有什麼不同？

微調是指在目標領域的有標注資料上繼續訓練模型，需要標注資料；領域適應更廣泛，特指處理來源領域和目標領域分布差異的問題，包括無監督方法（不需要目標領域標注）。微調可以視為監督領域適應的一種特例。當目標領域有大量標注資料時，直接微調往往最有效；標注稀缺時，無監督領域適應更實用。

### 醫療 AI 應用中領域適應的典型應用場景是什麼？

醫療 AI 面臨顯著的領域適應挑戰。模型在公開資料集訓練後，部署到特定醫院時常因設備品牌、拍攝協議、患者人口統計差異而性能下降。典型方案包括：用目標醫院的少量標注資料微調；用大量未標注的目標醫院影像進行無監督特徵對齊；或在臨床部署後持續收集困難案例重訓（主動學習）。

### 什麼情況下領域適應可能失敗或效果有限？

領域適應失敗的常見原因：來源和目標領域差距過大（如將文字分類模型適應到醫學影像分析，任務性質根本不同）；目標領域的獨特模式在來源領域中完全不存在，對齊無法填補這個空白；偽標籤質量太低（自訓練中模型置信度雖高但系統性偏差，導致偽標籤系統性錯誤）。遇到這些情況，收集目標領域真實標注資料通常是更可靠的解法。

---

來源：https://aiterms.tw/terms/domain-adaptation
快查頁：https://aiterms.tw/terms/domain-adaptation
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-domain-adaptation