概念漂移的反事实解释

概念漂移这一概念指的是观测数据所依赖的分布随时间发生变化的现象；其后果是机器学习模型可能变得不准确并需要调整。尽管已有方法可在观测到漂移时检测概念漂移或调整模型，但解释漂移的问题迄今几乎未被考虑。该问题十分重要，因为它能够检视漂移显现的最显著特征；从而使人理解变更的必要性，并提升对终身学习型模型的接受度。本文提出一种新技术，基于反事实解释、以典型样本所表征的空间特征的特性变化来刻画概念漂移。我们建立了该问题的形式化定义，推导了基于反事实解释的高效算法解，并在若干示例中展示了其实用性。