什么是 概念漂移（Concept Drift）？
概念漂移（Concept Drift）是条件目标关系 `P_t(Y|X)` 随时间变化，使同一类输入在不同时间可能不再对应相同目标映射。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
定义数据流与反馈契约
在合适场景按 Event Time 而非 Processing Time 排序，定义窗口顺序，并对特征提取、模型、决策阈值、标签政策和结果延迟做版本管理。Gama 等人的综述围绕演化数据流中的检测、理解和适配组织漂移方法。测量语义不稳定时，检测器报告的可能只是管线迁移，而不是概念变化。
按标签可用性匹配检测证据
有及时标签时，可用顺序或窗口方法监控残差、损失、校准与各类别错误。ADWIN 维护自适应窗口并检验子窗口均值差异；当前 River 文档公开了置信度和窗口控制。没有标签时，输入、Embedding、预测或不确定性漂移只能帮助安排复核，不能直接观测 P(Y|X)。误报分析还必须考虑重复检验、自相关和标签延迟。
把适配作为受控发布处理
响应可以是不处理、补采标签、调整阈值、启用 Fallback、采用近期窗口、按时间衰减样本、重训练，或为周期性制度维护多个专家模型。每种方法都存在稳定性与遗忘代价。重训练应生成版本化候选，回放代表性的历史和近期切片，测试校准与安全，通过 Canary 发布并保留回滚，而不是让告警直接修改生产模型。
主要特点
- 改变随时间变化的条件目标机制 `P_t(Y|X)`
- 可表现为突变、渐变、增量、周期性、全局或局部切片变化
- 即使整体输入边缘分布稳定也可能发生
- 通常需要延迟标签或可执行结果才能建立直接证据
- 监控时必须处理顺序检验和标签延迟
- 需要受治理的适配策略以避免不稳定和灾难性遗忘
常见用途
- 对抗行为演化时监控欺诈与滥用模型
- 产品或政策更新后检测用户意图变化
- 设备老化过程中跟踪预测性维护目标
- 跨周期性制度适配需求与风险模型
- 触发受控标注、Fallback、重训练和回滚流程
示例
Loading code...常见问题
概念漂移和数据漂移有什么区别？
概念漂移改变预测目标所需的关系 `P(Y|X)`；数据漂移在工程语境中常指 `P(X)` 或模型输出的可观测变化。输入可以漂移而概念不变，概念也可能在整体输入分布看似稳定时变化。
没有标签能检测概念漂移吗？
一般不能直接检测。无标签特征、Embedding、预测和不确定性变化可以定位可疑时间段或切片，却没有观测条件目标机制。需要代表性的延迟标签、人工裁决或可执行结果确认任务行为变化。
突变、渐变、增量和周期性概念漂移分别是什么？
突变是在短时间切换制度；渐变是在一段时间混合新旧制度；增量漂移通过许多小步移动关系；周期性漂移会回到过去出现过的制度。这些类别有助于选择窗口和适配方式，但在真实数据流中可能重叠。
漂移检测器告警能证明概念已经变化吗？
不能。它只是在抽样和依赖假设下拒绝某个检测器定义的稳定性假设。告警也可能来自标签延迟、标注政策、模型或阈值发布、数据损坏、季节性或重复检验噪声，必须逐项诊断。
发现概念漂移后应该自动重训练吗？
只有策略经过验证且可逆时才可自动化。先确认数据与标签，再训练版本化候选，回放近期和历史制度，测试安全与校准，通过 Canary 发布并保留回滚。直接更新可能放大短期噪声或遗忘周期性制度。