推荐算法日报 · 2026-08-23

总览

今天这批货整体不算惊艳，但两条主线都踩在要害上：一条是临床模型上线后的概念漂移治理，一条是流式专家池的动态决策。前者最值得细读，虽然具体方法有点工程向，但把可审计性和更新范围用结构锁死这个思路很实在，实验也证明约束几乎不伤性能；后者理论味道更重，把’先攒证据再动手’的语义定义清楚了，不过落地时超参敏感和计算成本要掂量。如果你只挑两篇精读，我建议优先看ICU漂移那篇，它把治理问题讲得比技术问题更透；专家池那篇适合对在线学习框架感兴趣的人当理论参考。

论文列表

1. Drift-Adaptive ICU Intervention Prediction: Freezing the Physiological Encoder for Auditable Model Updating

• 论文链接：AlphaXiv
• 更新时间：2026-08-20 14:42 UTC
• 机构：未披露机构
• 工业优先级：强
• 备注：v2: narrower scope. The v1 cross-model XGBoost comparison, is not carried forward: it used a fixed threshold across differently calibrated models. Claims are now restricted to within-architecture comparisons (selective vs. full adaptation); retrieval results are exploratory. Title updated. 12 pages, 4 figures, 7 tables. Code: https://github.com/empresst/ClinicalRag. Under review

🔒冻结一半权重，ICU模型更新还能审计？

各位算法同学们，模型更新后你还能说清它改了什么吗？这篇论文直接冻结生理编码器，只更新治疗流和融合头，从结构上把更新范围锁死，审计日志还能告诉你改了哪些治疗特征。对ICU这类高监管场景，这个思路比事后解释更讨喜。

📄 Drift-Adaptive ICU Intervention Prediction: Freezing the Physiological Encoder for Auditable Model Updating

🔧 两流分离：生理动态用LSTM，治疗上下文用MLP，更新时只动治疗流和融合头，生理编码器保持bitwise identical，从结构上限定更新范围。 🧩 双触发机制：分布漂移和性能下降同时监控，联合触发才更新，并生成按特征重要性的审计日志，记录更新依赖了哪些治疗特征。 ⚙️ 归因条件检索：用Integrated Gradients生成患者级PubMed查询，结合冻结编码器，让证据检索与源模型保持一致，但残留差距可观察。

📊 在84,792条MIMIC-IV住院记录上按三年时代划分评估，选择性适应平均AUROC 0.9316，全适应0.9249，总体判别没有损失，甚至在血管升压药上更优。 📈 跨适应种子运行六倍更稳定（six-fold more stable），说明随机性影响小。 ✅ 在连续四个时代转换上，检测器定位到2020边界，只触发一次，且仅靠分布腿触发，没有误报。

个人觉得这个思路把“冻结”变成了审计手段，比事后解释更硬核，尤其是对需要监管审批的医疗AI。但要注意归因检索只是可观察，不代表可证明，真要上线还得盯着归因分布有没有悄悄漂移。

2. Evidence Before Expansion: Reuse, Spawn, or Defer in Lifelong Expert Pools

• 论文链接：AlphaXiv
• 更新时间：2026-08-20 10:54 UTC
• 机构：未披露机构
• 工业优先级：中
• 备注：8 pages, 4 figures

🧠 别急着扩专家，先攒证据

各位算法同学们，面对新数据流，不一定要立刻扩专家，等一等反而更稳——这篇把’defer’做成了统计定义的动作，而不是模糊的启发式。

📄 Evidence Before Expansion: Reuse, Spawn, or Defer in Lifelong Expert Pools

🔧 决策层把reuse和spawn建模成单边序贯假设，中间留出[τ,3τ]的无差异区间，证据不足以做决定时就是defer，每个动作都有明确的统计含义。 🧩 用restarted e-detector做序贯证据：一组几何间隔重启的赌超鞅银行，内存只要O(log t)，既能保持任意时刻有效性，又能快速响应概念漂移，不会像单条无窗口过程那样在切换后误复用（误用率0.5→0.0）。 ⚙️ 误差预算按重启实例分配而不是按槽位，所以即便专家无限创建，也能控制家族级错误率，终身有效。

📊 在合成多概念流上，默认流式配置（restarted e-detector + spending）实现false spawns 0.00、false reuses 0.00，专家数也接近理想值。 📈 在INSECTS这种重复概念多的基准上，利用复用只维护13个专家，而基于交换的决策需要18-52个。 ✅ Covertype上正确维护1-2个专家，且在INSECTS-reoccurring上准确率达到0.675，与退役的窗口启发式相当，但部署的就是有终身保证的算法。

我的判断：这套”证据先于扩张”的思路对离散且重复出现的概念流很有效，但如果流是连续漂移，专家池本身可能不划算。落地时最要盯的是τ，它必须小于你真正想响应的最小漂移质量，否则会把新概念错归给旧专家。对要处理长时非平稳流的工程同学，这个框架值得做一次离线模拟再决定是否上线。