Distributional Drift（分布漂移）

分布漂移是机器学习模型部署后常见的问题，指训练数据分布与测试数据分布不一致，或数据分布随时间变化。主要类型包括：1）协变量漂移，输入分布变化但条件分布不变；2）概念漂移，输入与输出的关系变化；3）先验漂移，类别分布变化。解决方法包括：领域自适应、重要性加权、在线学习、持续学习等。在金融风控、推荐系统、医疗诊断等动态环境中，检测和适应分布漂移至关重要。