尽管对固定批次数据进行的基本统计检验可以识别漂移，但它们通常会引入显著的延迟。当批次数据收集并分析完毕时，模型可能已经处理了一段时间的漂移数据，这可能影响业务成果。对于需要更快响应的应用，例如高频交易、实时竞价或关键控制系统，等待完整批次通常是不可接受的。序列分析方法提供了一种替代方案，它在数据点到达时进行分析，旨在更快地检测变化。

核心思想是在每个新数据点或小微批次到达后就做出决策（是否检测到漂移），而不是等待预定的大批量数据。这使得当分布开始发生偏移时，可以更早地发出预警。

序列与批次方法的比较

设想一下，您正在监测用于欺诈检测的平均交易价值。

批次方法： 您可以收集一整天的数据，计算平均交易价值，然后使用t检验或KS检验将其与前一天或参考窗口的平均值进行比较。显著差异会触发警报。检测延迟至少为一天（即批次窗口）。
序列方法： 您每次有新交易时都更新一个统计量。如果此统计量超过预设阈值，则立即触发警报。漂移开始后几分钟或几小时内即可检测到，具体取决于变化的大小和检验的灵敏度。

这种速度伴随着需要考量的事项。序列检验通常基于对数据分布和预期变化性质的特定假设进行设计。它们通常涉及设置参数，以平衡未发生漂移时的误报率与已发生漂移时的检测速度。

序列分析中的要点

用于漂移检测的序列分析实质上是一种序列假设检验。我们持续检验：

$H_0$ ：数据生成过程未改变（无漂移）。
$H_1$ ：数据生成过程已改变（有漂移）。

经典固定样本检验通常在收集 $N$ 个样本后才做出决策。与此不同，序列检验会在每个样本（或小批组）之后评估证据，并决定是否：1. 接受 $H_0$ （暂时得出无漂移结论）。2. 接受 $H_1$ （发出漂移信号）。3. 继续采样（证据尚不充分）。

序列检验的两个重要性能指标是：

误报平均运行长度 (ARL $_0$ )：在 $H_0$ 为真时，检验错误地发出漂移信号之前处理的平均观测次数。您希望这个值越大越好。
检测平均运行长度 (ARL $_1$ )：在实际发生漂移后，直到检验发出信号为止处理的平均观测次数。您希望这个值越小越好。

序列检验的设计涉及选择参数，以实现在保持可接受的高ARL $_0$ 的同时，达到所需（低）的ARL $_1$ 。

序列概率比检验 (SPRT)

最早且最基础的方法之一是瓦尔德的序列概率比检验 (SPRT)。当您能够指定零假设 ( $H_0$ ，无漂移) 和备择假设 ( $H_1$ ，有漂移) 下的数据分布时，它尤其有效。

设 $f_0(x)$ 为 $H_0$ 下的概率密度（或质量）函数， $f_1(x)$ 为 $H_1$ 下的密度函数。在观测到 $n$ 个数据点 $x_1, x_2, ..., x_n$ 后，似然比为：

L_n = \frac{\prod_{i=1}^n f_1(x_i)}{\prod_{i=1}^n f_0(x_i)}

SPRT 使用两个阈值 $A$ 和 $B$ ，通常根据所需的第一类错误率 $\alpha$ （误报概率）和第二类错误率 $\beta$ （漏检概率）来定义：

$A \approx (1-\beta)/\alpha$
$B \approx \beta/(1-\alpha)$

在步骤 $n$ 的决策规则是：

如果 $L_n \ge A$ ：停止并接受 $H_1$ （发出漂移信号）。
如果 $L_n \le B$ ：停止并接受 $H_0$ （得出无漂移结论）。
如果 $B < L_n < A$ ：继续观察下一个 $x_{n+1}$ 。

示例： 假设我们监测正态分布特征 $X \sim N(\mu, \sigma^2)$ 的均值 $\mu$ ，其中 $\sigma^2$ 已知。

$H_0: \mu = \mu_0$ （例如，训练期间观测到的均值）
$H_1: \mu = \mu_1$ （例如，我们希望快速检测到的特定偏移均值）

可以计算似然比 $L_n$ ，并且通常使用其对数 $\log L_n$ 以提高计算稳定性，从而实现加法更新而非乘法更新。

SPRT优点： SPRT 在数学上是最佳的，因为它在所有具有相同或更低错误率 ( $\\alpha, \\beta$ ) 的检验中，能最小化预期的样本量（ARL $_0$ 和 ARL $_1$ ）。

SPRT挑战： 其主要缺点是需要精确指定 $f_0$ 和 $f_1$ 。在实践中，定义一个单一的、有代表性的“漂移”分布 $f_1$ 可能很困难，因为漂移可能以多种方式出现。

累积和 (CUSUM) 控制图

CUSUM图广泛用于统计过程控制，并很好地适用于漂移检测。它们在检测过程参数（如均值或比例）中微小、持续的偏移方面很有效。

核心思想是累积与目标值的偏差。设 $X_i$ 为时间 $i$ 的观测值， $\mu_0$ 为目标均值（在 $H_0$ 下）。用于检测均值增加的单边CUSUM统计量 $S_n$ 可以递归计算：

S_n = \max(0, S_{n-1} + (X_n - (\mu_0 + k)))

其中 $S_0 = 0$ 。

$X_n$ ：步骤 $n$ 的观测值（或迷你批次的平均值等汇总统计量）。
$\mu_0$ ： $H_0$ 下的目标均值。
$k$ ：“松弛”或“容忍”参数，通常选择为希望快速检测到的偏移量的一半（例如， $k = |\mu_1 - \mu_0| / 2$ ）。它有助于在过程受控时，防止CUSUM累积噪音。
$S_n$ ：步骤 $n$ 的CUSUM统计量。它累积高于调整后目标 $(\mu_0 + k)$ 的偏差。 $\max(0, ...)$ 确保如果偏差低于目标，它会重置为零，从而防止过去的负偏差掩盖当前的积极偏移。

如果 $S_n$ 超过预定义的决策阈值 $h$ ，则会发出漂移（向上偏移）信号。参数 $k$ 和 $h$ 的选择是为了平衡 ARL $_0$ 和 ARL $_1$ 。存在用于检测下降或双向变化的类似公式。

随时间变化的CUSUM统计量示例。过程均值在大约时间步50时向上偏移。CUSUM统计量最初保持在零附近，然后在此偏移后开始积极累积，在大约时间步67时超过检测阈值 $h=8$ ，发出漂移信号。

CUSUM优点： 通常比SPRT更容易实现，因为它不需要为 $H_1$ 指定完整的分布。它在检测微小、持续的偏移方面非常有效。

CUSUM挑战： 需要仔细调整 $k$ 和 $h$ 。性能取决于偏移量相对于 $k$ 的大小。如果 $k$ 是为小偏移量优化的，那么对于检测非常大、突然的偏移，它可能比SPRT慢。

优点与权衡

SPRT和CUSUM等序列方法的主要优点是，与固定批次方法相比，它们有潜力显著加快检测速度，特别是对于中等或小的偏移。它们在证据可用时进行审查，最大限度地减少漂移开始到被检测之间的延迟。这种及时性在许多生产ML系统中具有很高的价值。

然而，这种速度伴随着一些复杂性：

参数调整： 选择合适的阈值 ( $A, B, h$ ) 和参数 ( $k$ ，特定 $H_1$ ) 需要仔细斟酌，通常涉及模拟或分析以理解 ARL $_0$ 和 ARL $_1$ 之间的权衡。不当的调整可能导致过多的误报或检测缓慢。
假设： SPRT 需要明确定义的假设，而 CUSUM 假定特定类型的偏移（例如，均值偏移）。如果实际的漂移模式与假设存在显著差异，性能可能会下降。
多变量数据： 将这些方法直接应用于高维数据通常不切实际。常见方法包括将序列检验应用于：
- 单个特征。
- 从多变量数据导出的单变量汇总统计量（例如，降维技术的输出，或预测概率等指标）。
- 在多变量数据上计算的单变量漂移指标的输出（例如，将 CUSUM 应用于马哈拉诺比斯距离）。

序列分析为快速漂移检测提供了一套强大的工具，在流式处理场景中尤其有价值。它们充当高效的早期预警系统。当序列检验发出潜在漂移信号时，它可以触发使用多变量方法（在其他章节中讨论）进行更全面的、可能计算量更大的调查，或者启动模型再训练等自动化响应。

序列分析以加快漂移检测