本研究提出了一种可靠的端到端框架，用于大型任务导向对话系统中模型无关变点检测和解释，并通过模拟对话系统中的客户请求，评估了该方法并展示了其效果。

May, 2023

本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

Mar, 2024

机器学习中的漂移是指模型所操作的数据或上下文的统计特性随时间改变而导致其性能下降的现象。为了及时预防潜在的性能退化，保持对机器学习模型性能的持续监控过程至关重要。在我们提出的无监督漂移检测方法中，我们采用了两步过程。第一步涉及将生产数据的样本编码为目标分布，将模型训练数据作为参考分布。在第二步中，我们采用了基于核的统计检验，利用最大均值离差（MMD）距离度量来比较参考和目标分布，并估计任何潜在的漂移。我们的方法还能够识别导致漂移的生产数据子集。使用这些被确定为高漂移样本进行重新训练的模型在在线客户体验质量指标上表现出了改进。

Sep, 2023

数据漂移对机器学习模型的生命周期造成重大挑战。本研究通过微基准研究 D3Bench 评估了开源漂移检测工具的效能，评估了 Evidently AI、NannyML 和 Alibi-Detect 在两个智能建筑使用案例中的能力。我们重点评估这些工具在识别和分析数据漂移方面的功能适应性，并考虑了一系列非功能性标准，如与机器学习流水线的集成性、对不同数据类型的适应性、用户友好性、计算效率和资源需求。研究结果表明，Evidently AI 在一般数据漂移检测方面表现出色，而 NannyML 在准确定位漂移发生的时间和评估其对预测准确性的影响方面表现出色。

Apr, 2024

本文探讨了概念漂移对机器学习实际应用的影响以及应对概念漂移的方法，提出了定量分析方法和漂移分析工具，并通过三个实际学习任务的应用验证了它们的有效性。

Apr, 2017

本研究结合传统机器学习和光学物理学，构建显式且可微分的数据模型，用于控制下游机器学习模型性能与数据漂移相关性，进而进行数据环境的精密规定和优化。

Nov, 2022

DREAM 是一种新颖的系统，通过模型敏感性和数据自主性增强漂移检测，在半监督训练中主动捕捉恶意软件行为概念，并通过嵌入于检测器的潜在空间的恶意软件标签和概念解释扩大人工干预，以协调分类器和检测器的更新过程，从而能够有效提高漂移检测准确性并减少漂移适应的专家分析工作。

May, 2024

本文研究了多种机器学习方法处理各种行业和应用中传感器漂移问题的能力，并在公开可获得的气体传感器数据集上测试了这些方法，结果表明这些方法在传感器漂移问题上存在明显的性能下降。

Sep, 2021

该研究通过比较基于错误率和数据分布的概念漂移检测器的性能，并评估它们在识别漂移时的可靠性，为实践者提供了指导建议和警报系统的适用性分析。

Nov, 2022

本研究致力于为 AutoML 场景中处理不断变化的数据分布、生命周期学习和概念漂移检测提供一种可行的解决方案，通过扩展 Auto-Sklearn 的机制和技术，并通过基准数据的实验结果证明了所提出的方法的有效性。

Jul, 2019