Concept Drift Detection and Adaptive Retraining of Malware Classification Models
恶意软件分类模型的概念漂移检测与自适应重训练
🧭 概念漂移检测与自适应重训练
Department of Computer Science, San Jose State University · Faculty of Information Technology, Czech Technical University in Prague
用OCSVM等漂移检测触发模型重训练，在精度与周期重训相当下大幅减少重训次数
📌 工作参考价值（4 点）
- 将 OCSVM 作为无监督漂移检测器，监控推荐模型输入特征分布或预测分数分布，超过阈值触发重训练；相比每日/每周定期全量重训，可大幅节省 GPU/训练资源，同时保持效果。
- 借鉴三场景对比实验：static（不更新）、periodic（固定周期更新）、drift-aware（检测到漂移才更新），用 Pareto Front 量化精度与训练成本 trade-off，帮助决定线上模型的更新策略与触发阈值。
- 生产上可对用户行为序列、商品属性、embedding 统计量（均值/方差/分布）构造特征向量，用 MMD 或 MK-Means 做轻量漂移检测，并与自动训练流水线集成，实现模型自适应更新。
- 注意：恶意软件漂移模式与电商推荐漂移不完全一致，但“漂移检测 + 事件触发重训”的框架可直接迁移；OCSVM 实际部署需调优核函数与 nu 参数。