Phänomen, bei dem Informationen aus dem Test- oder Validierungsdatensatz das Training eines Machine-Learning-Modells unangemessen beeinflussen, was zu Overfitting und künstlich hohen Leistungsmetriken führt. Beinhaltet Split-Kontamination, Feature-Leakage, zeitliches Leakage und Präventionstechniken zur Sicherstellung einer korrekten Modellgeneralisierung.