概念漂移
Parent: ai_keywords
核心定义
概念漂移（Concept Drift） 是指在动态非平稳环境中，目标变量（(y)）与特征变量（(X)）之间的联合分布 (P(X, y)) 随时间发生不可预测的变化，导致预先基于历史数据训练的机器学习模型在后续部署中性能持续衰减。其本质是统计规律的非平稳性，要求算法具备在线自适应能力以维持预测精度。
关键技术点
-
漂移类型识别
- 按速率与模式分为：突变漂移（瞬时转换）、渐变漂移（缓慢过渡）、增量漂移（逐步偏移）及重复漂移（周期性回返）。区分类型可指导重训练策略的选择。
-
实时检测方法
- 基于分布对比（如KS检验、ADWIN滑动窗口）或性能监控（如分类误差率累积和）。典型算法如DDM（Drift Detection Method）通过错误率均值的置信区间触发报警。
-
自适应重训练机制
- 采用滑动窗口（丢弃旧数据）、集成学习（动态加权基学习器权重）、在线学习（如SGD持续更新）或主动学习（仅对关键样本请求标注），平衡模型稳定性与塑性。
-
回溯性解释
- 通过特征重要性漂移分析（SHAP值时间序列）或漂移源归因，定位导致概念迁移的关键因素（如新增传感器噪声、环境变化）。
医学/神经科学应用场景
背景：首都医科大学附属北京天坛医院神经重症监护室（NICU）需实时监测癫痫患者术后脑电图（EEG），以预警癫痫复发。
问题：患者因麻醉苏醒、抗癫痫药物血药浓度波动及术后脑水肿吸收，EEG中棘波、尖波等发作间期放电的特征模式出现渐变漂移，初始模型在术后12小时后漏报率从5%升至32%。
解决方案：
- 部署基于滑动窗口+ADWIN漂移检测的轻量级CNN分类器，窗口大小为2小时EEG数据（滑动步长10分钟）。
- 检测到特征分布偏移后，触发增量式重训练：仅用最近窗口内新标注（由神经专科护士确认）的20%样本更新模型，保留历史模型作为弱分类器进入集成，权重视漂移幅度动态调整。
- 结果：漏报率稳定在8%以下，预警延迟中位数保持在2.3秒内，显著降低假阳性噪声干扰。
此案例体现了概念漂移自适应技术在临床长期监护中的核心价值，避免了“模型越用越差”的陷阱，为个性化神经重症管理提供了鲁棒性保障。
