面向 Transformer 情感模型的零训练时序漂移检测：基于真实社交媒体流的综合分析
机器学习
2025-12-25 v1 人工智能
计算与语言
摘要
我们对基于 Transformer 的情感模型在真实社交媒体数据（来自重大现实事件）上的零训练时序漂移进行系统性综合分析。通过在 12,279 条真实社交媒体帖子上进行严格的统计验证，我们证明模型在事件驱动期间准确率下降可达 23.4%。分析显示最大置信度下降为 13.0%（Bootstrap 95% 置信区间：[9.1%, 16.5%]），与实际性能下降呈强相关。我们引入的四项新漂移指标均优于基于嵌入的基线方法，同时保持适用于生产环境的计算效率。多事件统计验证确认其检测能力稳健且实际意义超过行业监控阈值。该零训练方法可立即部署用于实时情感监控系统，为理解 Transformer 模型在动态内容期间的行为提供新见解。
关键词
引用
@article{arxiv.2512.20631,
title = {Zero-Training Temporal Drift Detection for Transformer Sentiment Models: A Comprehensive Analysis on Authentic Social Media Streams},
author = {Aayam Bansal and Ishaan Gangwani},
journal= {arXiv preprint arXiv:2512.20631},
year = {2025}
}
备注
ICML NewInML