Ложные признаки

Производительность модели на данных ID (in-distribution) и OOD (out-of distribution) не обязательно прямо связаны. Может быть и обратная картина - для достижения лучшей производительности OOD необхоимо поступиться производительностью ID. Причина - ложные признаки. Например, на тренировочных данных какой-то признак является определяющим для отнесения объекта к классу A, а на реальных - этот же признак является определяющим для отнесения объекта к классу B.