问模型漂移与概念漂移在在线学习中的优势是什么？

EN

简短答覆：

数据漂移和概念漂移都很重要。发现他们很重要。如果有发现，你需要重新训练。这些都是不同的东西，你不能说一个比另一个好。

模型性能漂移=数据漂移和/或概念漂移

较长的答覆：

首先，我需要解释概念漂移与数据漂移。这两者都是我们所谓的模型性能漂移的一部分。见此链接：https://datatron.com/what-is-model-drift/#:~:text=Concept%20drift%20is%20a%20type，S)%20更改(S)

首先，让我们用一些例子来解释这两个漂移。假设您训练一个模型来检测x产品上的缺陷，输入是使用特定光条件捕获的图像。

数据漂移:任何可以改变数据生成分布的东西。如果数据点是(X，Y)，其中X是图像，Y是标号，则P(X)是生成这些图像的随机函数。以下任何更改都可能导致对此函数的更改(请注意，实际标签没有更改)：

• 改变灯光设置
• 镜头中的问题
• 改变材料供应商
• 新产品/新模式
• 新缺陷签名
• 机械问题…等

现在让我们思考一下这个概念的漂移。在这种情况下，更改将发生在Y中，而不是X中。由于某种原因，我们以前考虑标签Y1的特定图像，现在是Y2。这会发生吗？答案是肯定的。在工业界，改变观念比在学术界更为普遍。他们可以决定采用更高的质量，并将新事物视为缺陷…。

漂移检测只是告诉你有什么问题的机制，把它看作是一个危险的标志，当前的数据分布与你的训练数据分布不匹配。

为什么我们在乎？

漂移是机器学习模型的敌人。…不能保证模型在漂移条件下的行为(不能保证预测的可信度很低)。它可以是非常随机的！

该怎么办呢？

我们需要保护我们的模型“生产环境”。我们可以做两件事：

1-审核:该模型所做决策的一定百分比将进行手动检查，以进行二次检查。这可能会影响自动化百分比(模型的收益)。

2-保护模型不受分布数据的影响:这些是在模型输入端运行的算法。如果一个数据点被确定为异常/异常/分布外，它将被发送到人工审查或将不由模型处理。

这两种技术可以在您拥有手动处理功能以支持您的模型(自动化)时使用，如果不是这样的话，您需要预先收集大量数据以确保您的模型非常健壮，您也可以进行一些预处理以消除任何噪音或漂移源，但是没有什么可以做的。

如果你看一看CVPR和NIPS过去三到四年的论文，你会发现你会非常关注“分布外检测”的概念。今天，阻碍工业利用越来越多的机器学习成为主要的敌人。