機械学習（ML）モデルは、従来の学習方式に比べて多くの利点があり、様々な応用に広く使われています。しかし、MLモデルは実際の環境に展開されると、よく知られた分布変化問題のために性能が低下することがよくあります。この問題は、高リスクアプリケーションにおける意思決定システムの運用において、重大な結果を招く可能性があります。この問題に対して多くの研究者は、統計的手法（クルバック・ライブラーベル、コルモゴロフ・スミルノフ検定、ワッサースタイン距離など）を用い、分布の変化を定量化してきました。本論文では、特性関数（CF）を周波数領域アプローチとして利用することが、高次元空間における分布の変化の測定やドメイン適応において強力な代替手段であることを示しています。