半-KFN 方法：用于检测微弱协变量漂移的增强方法
统计方法学
2024-10-14 v1
摘要
检测协变量漂移是监督学习中一个具有重要实际价值的任务。一旦发生协变量漂移，模型可能不再适用，因此诸多研究致力于推进检测方法的发展。然而，当前的研究方法在处理小比例漂移样本时并不 particularly effective。本文灵感来源于 k 最近邻 (KNN) 方法，提出一种新颖的方法称为半 k 最远邻 (Half-KFN)，以应对特定场景。与传统方法相比，Half-KFN 由于最远邻的内在能力，能够更好地表征漂移的本质，从而表现出更高的检出功效。此外，随着样本量的增大，建议采用 bootstrap 方法进行假设检验。该方法可将 p 值计算速度远快于置换检验，随样本量增大呈指数级增长。我们对模拟数据和真实数据进行数值实验以评估所提方法，结果表明在 various 情况下，该方法在协变量漂移检测中始终展现出卓越的灵敏度和快速性。
引用
@article{arxiv.2410.08782,
title = {Half-KFN: An Enhanced Detection Method for Subtle Covariate Drift},
author = {Bingbing Wang and Dong Xu and Yu Tang},
journal= {arXiv preprint arXiv:2410.08782},
year = {2024}
}