分布迁移下的保守预测：COVID-19 自然实验
机器学习
2026-01-06 v1 人工智能
机器学习
摘要
保守预测在分布迁移下会退化。我们利用 COVID-19 作为自然实验，研究这一现象在 8 个供应链任务中的表现。尽管所有任务的特征完全更迭（Jaccard 约为 0），但覆盖率下降范围从 0% 到 86.7%，跨越两个数量级。使用 SHapley 加法解释（SHAP）分析，我们发现灾难性失败与单特征依赖相关（rho = 0.714, p = 0.047）。灾难性任务集中注意力于单一特征（增加 4.5 倍），而鲁棒任务则在多个特征中重新分配（增加 10-20 倍）。季度重新训练可将灾难性任务的覆盖率从 22% 提升至 41%（+19 百分点, p = 0.04），但对鲁棒任务没有益处（99.8% 覆盖率）。对 4 个特征稳定性适中（Jaccard 0.13-0.86）的额外任务的探索性分析揭示，特征稳定性而非集中度决定鲁棒性，表明集中度效应仅适用于严重迁移情景。我们提供一个决策框架：部署前监控 SHAP 集中度；若易受攻击（>40% 集中度）则进行季度重新训练；若鲁棒则跳过重新训练。
引用
@article{arxiv.2601.00908,
title = {Conformal Prediction Under Distribution Shift: A COVID-19 Natural Experiment},
author = {Chorok Lee},
journal= {arXiv preprint arXiv:2601.00908},
year = {2026}
}