利用合成数据与异常值缓解发展中地区模型漂移
机器学习
2025-10-14 v2
摘要
金融领域的机器学习模型高度易受模型漂移影响，即预测性能随数据分布变化而下降。这一问题在中亚及高加索地区的发展中经济体中尤为突出——包括塔吉克斯坦、乌兹别克斯坦、哈萨克斯坦和阿zerbaijan，因其频繁且不可预测的宏观经济冲击使金融数据不稳定。迄今为止，这是首次针对来自这些地区的金融数据探讨漂移缓解方法。我们研究使用合成异常值的潜在方法，以提高模型对不可见冲击的稳定性。为评估效果，我们引入两个层次框架，衡量性能退化程度和冲击严重程度。我们的实验表明，对宏观经济表格数据集进行实验，添加少量合成异常值通常会比基线模型提高稳定性，尽管最优比例因数据集和模型而异。
引用
@article{arxiv.2510.09294,
title = {Mitigating Model Drift in Developing Economies Using Synthetic Data and Outliers},
author = {Ilyas Varshavskiy and Bonu Boboeva and Shuhrat Khalilbekov and Azizjon Azimi and Sergey Shulgin and Akhlitdin Nizamitdinov and Haitz Sáez de Ocáriz Borde},
journal= {arXiv preprint arXiv:2510.09294},
year = {2025}
}