研究者提出分布偏移下模型测试新方法

Joran Leest 等作者提出一种分布偏移下的在线模型测试方法，用于应对机器学习模型部署后因输入分布变化而性能退化的问题。该方法在标签已知的受控基线上，分别复现由总体变化和数据完整性问题两种机制引起的偏移，以估计模型当前性能，以及修复数据问题可能带来的潜在收益。 在带模拟故障的真实数据集实验中，区分这两类来源通常能改善上述两项估计；流失预测案例显示，该测试可支持监控与修复优先级排序。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。