提出基于测试下注的非结构化数据流漂移检测方法

2026年10月15日，arXiv Artificial Intelligence 刊出 Siyu Zhou 等作者的论文，提出通过 Monitoring-by-Betting 检测非结构化数据流中的分布偏移。该研究将序贯变点检测重构为下注博弈，下注者随新观测不断更新其假设的偏移方向（witness function），从而在保持自适应性的同时维持统计有效性，并提出 asymptotic e-detectors，用规模为 m 的校准集近似变化前分布，证明随 m 增大可渐近控制误报平均运行长度。据该论文称，经验上小至 m=30 的校准集即可提供有效控制；在包括临床 AI 记录部署数据在内的三个真实数据集上，自适应监控器在相同误报水平下比固定监控器更快检测到偏移。上述条件与结论均限于该论文所述实验与数据集范围。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。