该研究提出了一种序列监测方案，通过考虑测量模型质量的时间依赖性，减少不必要的警报并解决多重测试问题，从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案，确保机器学习模型的可靠性。

Sep, 2023

AlerTiger 是一种深度学习的 MLOps 模型监控系统，通过检测模型输入特征和输出得分的异常来帮助公司内的 AI 团队监控其 AI 模型的健康状况，该方法已在 LinkedIn 的大多数生产 AI 模型中部署超过一年，并且在修复了几个模型问题后，带来了显著的业务指标收益。

Jun, 2023

讨论机器学习模型周期的后续，重要的是在已经部署的模型上进行监控，包括模型的性能和数据监控，使用统计技术检测异常值和数据漂移，提供历史预测的解释，同时使用开源工具来实现这些目标。

Jul, 2020

通过将因果推断和统计过程控制方法结合起来，我们以术后恶心呕吐的风险预测算法为案例研究，定义候选监测标准、描述潜在偏差和因果模型，并具体说明和比较候选监测程序，以此作为发展比较各种监测选项的框架的第一步。

Nov, 2023

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

Jul, 2023

利用可穿戴设备进行连续健康监测的机器学习模型评估面临的挑战以及从大规模心脏研究中提供的全面指南。

Dec, 2023

机器学习模型的持续监控和重新训练对于实现多标签分类模型的关键因素和资源利用至关重要。

Nov, 2023

通过使用退化数据集和机器学习，本文介绍了一个用于为机器学习组件创建安全监视器的过程，该安全监视器与自主系统并行部署，以提供模型输出的安全风险预测。我们通过使用公开可用的速度标志数据集进行一些初步实验，证明了我们方法的可行性。

Jun, 2024

机器学习模型在医疗领域应用时需要进行后期维护和监控，以保证在实际应用中能够安全有效地使用。

Mar, 2023