时序分布偏移下的部署可靠性建模与控制

部署在非平稳环境中的机器学习模型会面临时序分布偏移，这可能随时间侵蚀预测可靠性。虽然周期性重训练和重新校准等常见缓解策略旨在保持性能，但它们通常关注在孤立时间点评估的平均指标，并且没有明确建模可靠性在部署过程中如何演变。我们提出了一种以部署为中心的方法，将可靠性视为由区分度和校准度组成的动态状态。该状态在连续评估窗口上的轨迹诱导出可测量的波动性，使得部署适配可以被表述为一个多目标控制问题，在可靠性稳定性与累积干预成本之间取得平衡。在该框架内，我们定义了一族状态依赖的干预策略，并经验性地刻画了由此产生的成本-波动性帕累托前沿。在大规模时序信用风险数据集（135万笔贷款，2007-2018年）上的实验表明，选择性的漂移触发干预可以实现比连续滚动重训练更平滑的可靠性轨迹，同时大幅降低运营成本。这些发现将时序偏移下的部署可靠性定位为一个可控的多目标系统，并强调了策略设计在塑造高风险表格应用中的稳定性-成本权衡方面的作用。