漂移到动作控制器：基于在线风险证书的预算化干预

部署的机器学习系统面临分布漂移，但大多数监控管道仅触发警报，留下响应在标记、计算和延迟约束下未明确指定。我们引入 Drift2Act，一种漂移到动作控制器，将监控视为带显式安全约束的受限决策问题。Drift2Act 结合了一个感知层，将无标记监控信号映射到漂移类型分布上，并结合主动风险证书，通过查询最近窗口中少量延迟标签，生成对当前风险的即时有效上界 $U_t(\delta)$。该证书控制操作：若 $U_t(\delta) \le \tau$，控制器选择低成本动作（如校准或测试时适应）；若 $U_t(\delta) > \tau$，则激活 abstain/转移并在冷却期内触发回滚或重新训练。在具有标签延迟和显式干预成本的现实流式协议下，Drift2Act 在 WILDS Camelyon17、DomainNet 和受控合成漂移流上实现接近零安全违规和快速恢复，成本适中，优于仅报警监控、始终适应适应、基于日程的重新训练、选择性预测单独使用，以及无证书的消除方法。总体而言，在线风险认证实现了可靠的漂移响应，重新定义了监控作为带安全约束的决策问题。