模型上線後分類錯誤率飆升，最適合用什麼策略應對？
若部署一個深度學習模型至金融風控系統，該模型採用鑑別式架構（如 Transformer Classifier）。然而上線後，模型對新樣本的分類錯誤率顯著上升，經檢查發現，輸入資料分佈已與原訓練集明顯不同。針對此情形，下列哪一種應對策略最為適合？
一家金融公司把深度學習模型部署到風控系統，負責判斷每筆交易「有沒有風險」。模型架構是鑑別式（Discriminative）的分類器，例如 Transformer Classifier。
上線之後問題來了：模型分類錯誤率越來越高。去查才發現，現在進來的交易資料分佈，跟當初訓練時用的資料分佈差很多了。
問你：遇到這種「輸入資料分佈偏移」的情況，該採取哪個應對策略？
一句話總結
資料分佈偏移（Data Drift）要先「偵測」才能「應對」。最適合的策略是：用變分自編碼器（VAE，Variational Autoencoder）監控潛在空間的分佈變化，及時發出警報，而不是貿然換模型或擴大模型容量。
先感受問題：明明沒改模型，錯誤率卻悄悄飆高
假設「聯信金控」風控團隊在 2024 年 Q1 用當時的交易資料訓練了一個 Transformer 分類器，專門判斷每筆交易是「正常」還是「可疑」。上線時準確率 97%，大家很滿意。
到了 2025 年 Q1，新型態行動支付爆炸性成長，交易金額分佈、消費地點、裝置指紋全都跟 2024 年差很多。這時候模型看到的「新資料」，跟它訓練時見過的「舊資料」差距越來越大：
2025 資料：平均交易金額 2,500 元，行動支付占 70%，跨境交易占 25%
模型完全沒有看過「2025 年的交易長什麼樣」，於是開始亂判。但問題是：你要怎麼知道是「資料分佈偏移」造成的，而不是模型本身壞掉？
這就需要一個能「監控輸入資料長什麼樣」的機制，而不是直接換模型。
為什麼直覺反應都是錯的
工程師看到「模型錯誤率高」，直覺會想做這些事。但在資料分佈偏移的情境下，全都是錯的：
- 貿然換成更簡單的模型（如邏輯迴歸）：模型容量縮小，對更複雜的新型態交易更沒辦法學習，只會讓準確率雪上加霜，而且換模型需要重新上線驗證，代價極高。
- 增加模型容量（加層數、加參數）：資料分佈都偏掉了，就算你把模型做得再大，餵的還是「舊分佈的資料」，大模型只會把舊分佈記得更牢，對新分佈仍然無效。
- 直接用 GAN 生成新樣本：GAN 本身就需要知道「新分佈長什麼樣」才能生成有意義的樣本。如果還不清楚偏移發生在哪裡，GAN 生出來的資料很可能跟真實新分佈差很遠。
- 忽略資料問題，只看指標：錯誤率高了才發現，這時候已經讓假警報或漏網詐欺發生了一段時間，金融損失可能已經造成。
- 直接把新資料打標後重訓：標新資料非常耗時，而且在搞清楚偏移的性質之前，打標方向可能不對。正確做法是先偵測、再決定要怎麼應對。
VAE 當感測器：先偵測分佈，再決定行動
回到「聯信金控」。正確的策略是在分類器旁邊，平行部署一個 VAE 作為「資料健康監控器」：
第一步，VAE 在訓練期間學習「正常交易資料長什麼樣」，把它壓縮成一個潛在空間（Latent Space）分佈。正常交易在這個空間裡應該集中在某個區域。
第二步，上線後每一批新進來的交易資料，也讓 VAE 把它們投影到潛在空間，看落點在哪裡。
2025 年新資料：落點開始漂移到 (0.8, 1.2) 附近，偏離原本的叢集
一旦偵測到潛在空間分佈明顯漂移，系統就能主動發警報：「輸入資料分佈已偏移，分類結果可能不可靠，請人工審核或啟動重訓流程。」
這樣的好處是：不需要等到錯誤率飆高才知道有問題，而是在偏移發生的早期就抓到，讓團隊有時間決定「要繼續用舊模型搭配人工審核」、「要重新採集標注資料」還是「要做領域適應（Domain Adaptation）微調」。
這就是選項 D 講的：使用變分自編碼器（VAE）監控潛在空間分佈，偵測輸入資料偏移。
技術版：VAE 的潛在空間怎麼做分佈監控
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
本題沒有程式碼，但相關技術背景值得知道。
VAE 的結構：VAE（Variational Autoencoder，變分自編碼器）有兩個部分：編碼器（Encoder）把輸入壓成潛在向量 z，解碼器（Decoder）把 z 還原成輸出。訓練目標是讓輸入和輸出越接近越好，同時讓 z 的分佈接近標準常態分佈（均值 0，標準差 1）。
為什麼 VAE 適合做分佈監控：VAE 訓練完後，把任何一筆資料丟進編碼器，都能拿到對應的潛在向量 z。如果這筆資料跟訓練資料分佈一樣，z 會落在潛在空間的「正常區域」；如果這筆資料是異常的或分佈偏移的，z 就會落在邊緣甚至完全飛出去。
偵測指標：常用的方法是計算重建誤差（Reconstruction Error）。VAE 把新資料編碼再解碼，看重建出來的結果跟原始輸入差多少。訓練分佈內的資料重建誤差小；偏移分佈外的資料重建誤差大。當一批資料的平均重建誤差超過設定的閾值，就觸發警報。
和鑑別式分類器的分工：鑑別式模型（Transformer Classifier）負責做分類決策；VAE 負責做資料健康監控。兩者並行，VAE 偵測到分佈偏移時，可以選擇：降低分類器輸出的信心門檻、強制轉人工審核、或觸發重訓流程。
KL 散度在這裡的角色：VAE 訓練時的損失函數包含 KL 散度（Kullback-Leibler Divergence），讓潛在空間的分佈維持接近標準常態。這使得潛在空間有良好的「結構」，新資料的偏移方向是有意義的、可解釋的，不是任意的。
為什麼其他選項是錯的
A改用生成對抗網路（GAN）生成新樣本並混入訓練集
用 GAN 製造出「新型態」的合成交易資料，混進訓練集，讓模型學習更廣泛的樣本。
這個策略的前提是「你已經知道新分佈長什麼樣」，GAN 才能生成有代表性的新樣本。但題目的情境是剛發現資料分佈偏移，尚未搞清楚偏移的性質。在不清楚新分佈特徵的情況下讓 GAN 生成，很可能生成出跟真實新分佈完全不同的假資料，讓模型學了反而更歪。
知道 GAN 可以做資料增強（Data Augmentation）的考生，直覺覺得「GAN 生新資料讓模型學」是好策略。GAN 確實可以做資料增強，但需要先有充分的新分佈資料讓 GAN 學習，不是在偏移剛發生時立刻有用。
B改用邏輯迴歸模型（Logistic Regression）以提升穩定性
把複雜的 Transformer 分類器換成更簡單的邏輯迴歸（Logistic Regression），因為簡單模型更穩定。
模型的穩定性和容量高低無關。資料分佈偏移是「輸入資料的性質改變了」，這個問題換成更簡單的模型完全不能解決，反而因為邏輯迴歸建模能力更弱，對偏移後的新型態交易更難正確分類。簡單模型不是更穩，是更不夠用。
認為「複雜模型容易過擬合，不穩定，簡單模型更可靠」的考生。過擬合問題和分佈偏移問題是不同的病，對應的藥也不同。這題的核心是偵測並應對分佈偏移，不是解決過擬合。
C增加模型容量（Model Capacity），以學習更多樣本差異
把模型做更大（更多層、更多參數），讓它有能力學習更多元的樣本模式，包括新分佈的資料。
模型容量影響的是「能學的模式的複雜程度」，但不能幫它學到「它根本沒見過的新分佈」。訓練資料還是舊分佈的，模型就算做到再大，也是把舊分佈記得更牢，對新分佈的泛化能力不會增加。這是用錯了藥。
以為「模型不夠強所以才分類錯」的考生。資料分佈偏移的問題根源是資料改變了，不是模型不夠強。模型容量做大是解決「模型太簡單、表達力不足」的問題，不是解決分佈偏移的問題。
同個考點下次怎麼變形
資料漂移（Data Drift）和概念漂移（Concept Drift）有什麼差？
都叫「漂移」，感覺是同一件事？
資料漂移（Data Drift）：輸入資料的分佈 P(X) 改變了，但輸入和輸出的關係 P(Y|X) 不變。例如交易金額的範圍變大了，但「高金額 = 可疑」的規律不變。概念漂移（Concept Drift）：P(Y|X) 改變了，原本的「判斷標準」本身過時了。例如詐欺手法改變，原本「深夜大額提款 = 可疑」現在不再成立。本題情境是 Data Drift，應對方式是重新採集分佈資料更新模型；Concept Drift 更嚴重，可能需要重新定義標籤。
VAE 偵測到分佈偏移之後，下一步應該做什麼？
偵測到就直接重訓模型？
不一定。偵測到之後有三條路：一是繼續用舊模型，但降低輸出信心門檻，對低信心結果強制轉人工審核；二是採集新分佈的標注資料，對現有模型做微調（Fine-tuning）；三是判斷偏移太大，完全重訓新模型。選哪條路取決於偏移的程度、重訓資源、和業務能接受多少誤判。
線上學習（Online Learning）能解決分佈偏移問題嗎？
模型每天用新資料更新，應該不會跟不上分佈變化？
線上學習能緩解緩慢的分佈漂移，但有兩個風險：一是如果分佈突然劇變（如金融危機），線上學習可能來不及適應；二是線上學習容易受到「毒化攻擊（Data Poisoning）」，攻擊者故意塞進惡意樣本讓模型學壞。金融風控場景通常不直接用線上學習，而是搭配 VAE 等監控工具，在控制條件下定期重訓。
醫療影像 AI 也有分佈偏移問題嗎？怎麼發生？
醫療影像靠的是病灶特徵，分佈應該比金融交易穩定？
非常常見。最典型的是「設備漂移」：模型在 A 醫院的 CT 機訓練，但 B 醫院用的是不同廠牌機器，掃描的影像對比度、解析度、雜訊特性都不同。模型在 A 醫院準確率 94%，到 B 醫院可能掉到 70%。應對方式包括：各醫院分別做影像正規化預處理、用 VAE 偵測影像分佈差異、對 B 醫院資料做遷移學習微調。
怎麼量化「分佈偏移的嚴重程度」？
看看錯誤率有沒有明顯下降就好了？
有幾個更直接的指標。Population Stability Index（PSI）：比較訓練期和上線後各特徵的分佈差異，PSI 大於 0.2 通常認為需要重訓。Kolmogorov-Smirnov 檢定（KS test）：統計學方法，檢驗兩個分佈是否顯著不同。VAE 重建誤差趨勢：持續監控每批資料的平均重建誤差，設定告警閾值。這些方法比等待錯誤率飆高更主動，可以在模型失效前先一步偵測到問題。
想再往下看，這 5 個
- 變分自編碼器（Variational Autoencoder）把輸入壓縮成潛在向量再重建輸出，潛在空間具機率分佈結構；重建誤差是偵測分佈外樣本的核心信號。
- 資料漂移（Data Drift）輸入資料分佈 P(X) 隨時間改變，是本題模型錯誤率飆升的根本原因；常用 PSI 或 KS 檢定量化嚴重程度。
- 機器學習維運（MLOps）把模型開發、部署、監控整合成可持續工程流程；資料漂移監控是 MLOps 核心功能，偏移警報讓團隊在業務損失前介入。
- 異常偵測（Anomaly Detection）識別與訓練分佈顯著不同的樣本；VAE 重建誤差是異常偵測常見方法，分佈外樣本重建誤差明顯偏高。
- 概念漂移（Concept Drift）P(Y|X) 改變，代表判斷規則本身過時；與資料漂移（P(X) 改變）性質不同，應對策略也不同，考試常考辨別。