Systematische Verzerrung in KI-Trainingsdatensätzen, die dazu führt, dass Modelle bestimmte Kategorien, Populationen oder Szenarien über- oder unterrepräsentieren. In der Cybersicherheit kann dies die Wirksamkeit von Anomalieerkennungssystemen, Bedrohungsklassifikatoren und prädiktiven Modellen beeinträchtigen, was zu falsch-negativen Ergebnissen bei in Trainingsdaten schlecht repräsentierten Angriffen oder falsch-positiven Ergebnissen bei seltenen, aber legitimen Verhaltensweisen führt. Ein kritisches Problem für maschinelles Lernen-basierte Erkennung und automatisierte Threat Intelligence.