本次查询：Concept Drift
中文解释：概念漂移
常见场景：机器学习模型部署与维护
一句话解释
概念漂移（Concept Drift）是指机器学习模型所依赖的数据分布随时间发生不可预测的变化，导致模型预测性能逐渐下降的现象。它提醒我们，静态模型无法适应动态环境，需要定期或实时更新。
为什么会被关注
在工业级AI应用中，模型上线后往往因业务环境、用户行为或外部条件变化而失效。概念漂移是模型性能衰减的核心原因之一。若不及时检测并应对，预测偏差可能引发业务损失、错误决策甚至安全风险，因此成为MLOps和模型监控领域的关键议题。
核心逻辑
概念漂移的本质是输入特征与目标变量之间的联合分布发生改变。常见类型包括：虚拟漂移（特征分布改变但关系不变）、真实漂移（特征与标签的映射关系变化）和先验概率漂移（类别分布改变）。检测方法有DDM、ADWIN等统计检验，应对策略包括定期重训练、增量学习或部署自适应模型。
常见场景
电商推荐系统中用户兴趣随季节或促销活动变化、金融风控里欺诈模式不断演变、工业传感器因老化产生读数偏移、自然语言处理中舆情话题的迁移等，都典型体现概念漂移。这些场景要求模型具备持续适应能力，否则预测效果会迅速退化。
容易混淆的点
概念漂移常与数据漂移（Data Drift）混淆。数据漂移仅指输入特征分布变化，而概念漂移强调特征与标签之间关系的变化。此外，概念漂移不同于迁移学习中的域适应，后者通常已知目标域分布并做一次性调整，而概念漂移是未知且持续发生的，需要在线监控与迭代。