因果参数漂移模拟：用于分类器鲁棒性评估的数字孪生框架
机器学习
2026-05-12 v1 人工智能
摘要
动态环境中的机器学习分类器面临概念漂移——数据生成过程中的变化导致性能下降。通过静态测试集或噪声扰动的常规评估无法保留表格数据中的因果依赖关系，通常产生因果无效的评估。SHAP 和 LIME 等事后工具提供相关性见解，可能无法反映驱动模型失效的因果机制。我们提出了一种框架，通过利用结构因果模型作为数据生成过程的“数字孪生”来补充现有的漂移检测，在保留结构依赖关系的同时实现精确的因果干预。我们的技术，因果参数漂移模拟，对分类器进行压力测试，以在部署前识别漏洞。在 Open Sourcing Mental Illness (OSMH) 数据集上的实验表明，该方法暴露了标准统计监测器无法察觉的潜在漏洞。
引用
@article{arxiv.2605.09663,
title = {Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation},
author = {Julien Lafrance and Richard Khoury and Véronique Tremblay},
journal= {arXiv preprint arXiv:2605.09663},
year = {2026}
}
备注
34 pages, 13 figures, 14 tables