有诸如Kullback-Leibler 散度模型、Wald-Wolfowitz 检验等方法来检测非随机性和协方差偏移。

快速分析协方差测试的一个简单测试是建立一个机器学习模型，其中模型通过输入训练数据和生产数据进行重复测试。

如果模型可以区分训练数据集和生产数据集之间的差异，那么它可能是协方差偏移的标志。

基于运动意象的脑机接口的协变量移位检测自适应学习 http://link.springer.com/article/10.1007/s00500-015-1937-5

基于 EWMA 模型的移位检测方法，用于检测非平稳环境中的协变量移位 ( http://www.sciencedirect.com/science/article/pii/S0031320314002878 )

这是您可以使用的简单程序：

1. 学习分类器以区分训练/测试数据（使用常规 X 特征）
2. 计算phi 相关系数以估计分类器的质量 = 训练/测试数据的可分离性
3. 设置一个阈值（例如 0.2），高于该阈值您可以声称存在协变量偏移（并开始寻找修正）

协变量偏移问题最终导致数据集具有不同的基础数学结构。现在，流形学习估计高维数据的低维表示，从而揭示底层结构。通常，流形学习技术不是预测——因此，与标准 PCA 不同且更强大。

我使用流形学习技术（例如：IsoMap、MDS 等）来可视化（并且，如果可能的话，量化）训练和测试数据集之间的“（不）相似性”。