我正在标记数据集上训练分类 CNN$\langle x,y\rangle$. 该网络在测试和验证集上达到 0.92% 的准确率。在这个过程之后，我通过一些过程对数据进行预处理，以模拟一些合理的条件$\hat{x}=\Psi\{x\}$并获得一个新的数据集$\langle\hat{x},y\rangle$具有相同的标签。此过程的一个示例是颜色域之间的转换，例如，$x\in RGB$和$\hat{x}\in grayscale$.

在我给出的示例中，如果使用丢失的颜色特征，该过程可能会降低网络的性能。就我而言，尽管数据可能会损坏，但不会丢失任何数据。申请后$\Psi$我正在训练一个性能下降的新网络，准确率仅为 0.81%。我猜测我正在经历概念漂移，尽管我不确定如何显示或可视化这一点。另外，我不知道如何修复 NN 中的概念漂移。

不幸的是，我无法透露我正在处理的确切案例。有没有办法分析或显示新域中的数据分布发生了变化？

我如何解决所描述的案例以及我可以做些什么来尝试提高性能（无论具体任务如何）？