블라인드 스팟 역설: 적응형 분류기가 드리프트 감지기를 무력화하는 경우

적응형 분류기의 오류 스트림에서 개념 드리프트를 모니터링하는 것은 모델 자체의 업데이트 루프와 운영상의 충돌을 야기합니다. 내부 적응이 증거 축적 속도를 앞지를 때, 누적 검출기(CUSUM, Page-Hinkley)가 임계값에 도달하기 전에 정확도가 회복됩니다. Adaptive Random Forest (ARF)를 장비화하여 테스트한 결과, 생존하는 트리들이 전적으로 점진적인 리프 업데이트만으로 드리프트 후의 오류 과도기(error transient)의 98.6%를 흡수한다는 것을 보여줍니다. 첫 번째 배경 트리 교체는 이 제거된 오류량의 단지 0.71%만을 차지하지만, 외부 탐지율을 31 퍼센트 포인트 낮춥니다. 우리는 누적 증거가 임계값을 넘기 못하는 유한 지평선 경계를 도출하고, 오경보 예산으로 인해 감지가 불가능한 임계 크기 바닥($ ext{Δ}e_c = 0.120$)을 측정합니다. 이러한 실패는 안정적인 스트림에서의 놓친 변화(missed shifts)와 노이즈가 많은 기준선에서 내부 트리 교체로 인해 유발되는 오경보 범람으로 나타납니다. 우리는 합성 드리프트, ARMA-GARCH 시리즈 (ProteuS), 그리고 테이블형 벤치마크 (BAF, INSECTS)에 대해 검증했습니다. 표준 임계값에서의 합성 스윕에서 블라인드 스팟은 $ ext{Δ}e
ightleftharpoons 0.25$ 근처에서 나타나며, 이로 인해 SEA와 같은 고전적 벤치마크가 왜 도달하지 못했는지 보여줍니다.