Phénomène où les informations du jeu de données de test ou de validation influencent indûment l’entraînement d’un modèle d’apprentissage automatique, provoquant un surapprentissage et des métriques de performance artificiellement élevées. Inclut la contamination entre les divisions, la fuite de caractéristiques, la fuite temporelle et les techniques de prévention pour assurer une généralisation correcte du modèle.