漂移不只是分布变了：因果图重定义监控

你给一个医疗模型喂进新一批病例，发现它的预测突然变差。原因可能完全不同：患者群体换了，疾病严重程度的构成变了，治疗与康复之间的关系变了，甚至诊断标准本身变了。传统漂移监控往往只能亮起同一盏灯：“数据分布变了。”但接下来该查数据、改特征，还是重训模型，这盏灯并不会告诉你。

论文《Concept Drift from a Causal Perspective》想把这件事再拆细一层。四位作者用结构因果模型（Structural Causal Model，SCM）描述数据如何一步步生成，再按变化发生的位置给漂移分类。他们还开发了数据流生成器 CaDrift，用来人为制造不同机制的变化，观察这些变化如何传到数据分布和模型预测中。

这项工作的直接贡献仍是一套研究框架和实验工具，不是已经能接入生产系统的监控产品。下文涉及的分类、实验现象和性能结论均来自这一篇 arXiv 论文，尚无独立信源交叉验证。

监控看见了变化，却未必看见原因

概念漂移（concept drift）通常指输入 $X$ 与预测目标 $Y$ 的关系随时间改变，例如 $P(Y\mid X)$ 发生变化。另有一种常见情况是输入本身的分布 $P(X)$ 变了，但输入与目标的关系没变，通常称为数据漂移或协变量漂移。两者都可能让模型失准，也都可能触发诊断、更新或重训。

传统定义常从联合分布 $P(X,Y)$ 出发：只要不同时刻的分布不同，就认为发生了漂移。这个定义便于检测，却把数据生成过程当成黑箱。两个来源完全不同的变化，最后可能留下相似的统计痕迹。

论文举出的核心直觉是：相关关系变化，不等于真正的作用机制变化。假设治疗剂量和康复结果之间存在关联，患者病情严重程度又同时影响剂量与康复。病情构成一变，观察到的“剂量—康复”关系也会变，即便药物本身的作用没有改变。如果监控只盯着相关性，它可能要求模型适应一个变化了的假象。

给“漂移”画一张因果地图

SCM 可以理解为一张带有生成规则的因果图。图中的箭头表示谁影响谁；每个节点还有一条结构方程，说明它如何由上游原因和外部扰动共同生成。这样一来，监控者不只问“分布是否变了”，还可以问“哪条生成规则变了”。

论文据此区分五类漂移：

• 外生漂移：系统外部扰动的分布改变。实践中，这类扰动往往无法直接观察，因此作者用可观察的根节点变化来表示。下游数据会跟着变，但变量之间的因果机制保持不动。它接近传统所说的协变量漂移。

• 内生漂移：系统内部某个变量的生成函数改变，也就是“一个原因怎样影响另一个变量”发生变化。变化会沿因果图向下游传播，但不一定意味着目标变量自身的生成规则变了。

• 目标漂移：内生漂移的一种特殊情况，变化直接发生在目标 $Y$ 的生成机制上。说白了，同样的输入现在对应了不同的结果规则。作者认为，这会更直接地改变模型需要学习的决策关系。

• 混杂漂移：同时影响输入与结果的混杂因素发生变化。混杂变量会让观察到的关系不等于直接因果关系。它的构成一变，模型眼中的 $P(Y\mid X)$ 可能随之改变，但真实的目标机制未必动过。若混杂因素不可观察，仅凭观察数据还无法识别这种不变性。

• 结构漂移：因果图的边发生增删，某个变量的直接原因换了。例如一项新税收政策开始直接影响商品需求，需求节点的“父节点集合”便发生变化。这不只是参数调整，而是生成结构本身换了。

这套分类的关键，不是把漂移换一套名字，而是把“变化位置”和“应对动作”联系起来。上游环境变了，可能不必推翻目标机制；目标生成规则变了，旧预测函数则可能确实需要更新；混杂关系变了，追着表面相关性重训，反而可能让模型学得更偏。

CaDrift：把故障逐个拧出来看

现实数据很难提供干净的答案。一次业务变化往往同时影响许多环节，人们也未必知道真实因果图。CaDrift 因此承担了类似实验台的角色：研究者先给出一个有向无环图（Directed Acyclic Graph，DAG，即箭头不会绕一圈回到起点的因果图），再指定漂移类型、发生时点和持续长度，生成受控的数据流。

它还能加入时间依赖。作者使用自回归噪声，让相邻样本彼此相关；用指数加权移动平均平滑根节点；再加入周期性的季节变化。漂移既可突然发生，也可增量变化、逐渐切换，或让过去出现过的机制再次回归。这样生成的数据不再是假定每条样本互不相关的静态表格，而更接近连续到来的数据流。

论文用手工设计的因果图测试不同漂移。其分布分析生成了 20,000 个样本，每隔 2,000 个样本引入一次漂移，并用包含 200 个样本的滑动窗口比较当前概念与初始概念。作者同时观察边缘分布——单看变量本身怎样变化——以及条件分布——输入与目标的预测关系怎样变化。

据论文报告，不同因果来源会形成不同的分布偏移模式，并以不同方式影响预测行为。作者还把因果发现方法接进框架：先从真实数据中估计依赖结构，再据此构造数据流。论文称，这能提供更现实、更有信息量的评测场景，并称生成数据用于数据增强后可改善下游表现。不过现有材料没有给出相应数据集、基线、提升幅度或统计显著性，因此这些强度判断暂时只能视为作者结论。

为什么它可能改变监控逻辑

现在许多漂移检测器回答的是“何时变了”。它们比较前后窗口的错误率、特征分布、相关关系或模型不确定性。论文提出的问题是：报警之后，还能不能继续回答“哪里变了”和“为什么变”。

这个转向会影响再训练的触发逻辑。若所有分布变化都被视为同一种故障，系统很容易采取统一动作：收集新标签，然后全量重训。因果分类则提出一种更细的可能性：先判断目标机制是否改变，再决定需要局部适应、修正数据，还是更新整个预测函数。

它对评测同样重要。若测试集只移动决策边界或特征中心，算法可能只是在某一种人工漂移上表现良好。CaDrift 允许研究者分别改变上游扰动、内部机制、混杂因素、目标机制或图结构，从而检查一个自适应算法到底能处理哪类变化。

但“因果图重定义监控”目前更适合作为研究方向，而不是既成标准。论文真正建立的是一套描述语言和可控生成工具：它让报警从一个统计事件，进一步变成关于生成机制的诊断问题。

局限与未知

• 论文材料没有披露关键性能结果的具体提升幅度、基线对照和统计显著性，“更现实”“更有信息量”也属于作者评价，暂不能判断适用范围。
• 框架依赖因果结构，但论文材料没有说明因果图设错、潜在混杂、因果发现不稳定或因果关系不可识别时，监控结论会受到多大影响。
• CaDrift 可用于模拟与评测，却不等于可直接部署的监控系统。如何从真实数据可靠判断漂移属于哪一类，以及如何把分类映射成生产环境中的处置动作，仍待验证。