分布偏移下的反事实模型测试

针对部署机器学习模型在分布偏移且缺乏标签时的性能衰退，研究者提出了一种反事实模型测试方法。该方法在受控基线数据上分别复现总体变化与特征管道数据完整性问题两种机制，用于评估模型当前性能及修复数据问题的潜在收益。真实数据集与流失预测案例实验表明，区分这两种来源可提升评估精度，有效支持监控和修复优先级决策。