- 综合排序
- 最热优先
- 最新优先
- 来自专栏云深之无迹
Zero-Drift Op 在精密小电流中采集的优势
Delta Vos (RTI) due to temp drift = 10nV/°C × 10°C = 100nV 从 25°C 变化 10°C，输入失调电压的变化量： 折算到输出端，就是再乘增益 101
15410编辑于 2026-01-07 - 来自专栏DeepHub IMBA
GraphRAG进阶：基于Neo4j与LlamaIndex的DRIFT搜索实现详解
本文的重点是DRIFT搜索：Dynamic Reasoning and Inference with Flexible Traversal，翻译过来就是"动态推理与灵活遍历"。 DRIFT的工作流程是这样的：先通过向量搜索建立一个宽泛的查询起点，再利用群信息把原始问题拆解成更细粒度的后续查询。然后动态地在知识图谱上游走，抓取实体、关系等局部细节。 DRIFT搜索 DRIFT的检索思路其实很符合简单：先看大图，再挖细节。它不会一上来就在文档或实体层面做精确匹配，而是先去查群的摘要，因为这些摘要是对知识图谱主要主题的高层次概括。 拿到相关的高层信息后，DRIFT会智能地派生出后续查询，去精确检索特定实体、关系、源文档。这种两阶段的做法其实很像人类查资料的习惯：先大致了解情况再针对性地追问细节。 最终答案 最后一步把整个DRIFT搜索过程中积攒的所有中间答案汇总成一个完整的响应：这里包括社区搜索的初步答案，以及局部搜索各轮迭代产出的答案。
20910编辑于 2025-12-24 - 来自专栏最新医学影像技术
医学图像处理案例（二十一）——一致性点漂移算法（Coherent Point Drift）
今天将分享使用一致性点漂移算法（Coherent Point Drift）来对点云数据进行配准。 2、一致性点漂移算法简介 在论文《Point-Set Registration: Coherent Point Drift》中介绍了刚性和非刚性的配准概率方法，称为一致性点漂移算法。
3.2K30发布于 2020-07-14 - 来自专栏运维一切
ceph mon时钟同步警告处理 原
0.0575924s > max 0.05s (latency 0.00116649s) 需要调节一下参数 [root@c207 ~]# ceph daemon mon.1 config show|grep drift "mon_clock_drift_allowed": "2", "mon_clock_drift_warn_backoff": "7", "paxos_max_join_drift ": "10", [root@c207 ~]# ceph tell mon.1 injectargs --mon_clock_drift_allowed 2 [root@c207 ~]# ceph tell mon.1 injectargs --mon_clock_drift_warn_backoff 7 故障处理的相关资料传送门
1.8K10发布于 2018-08-01 - 来自专栏C博文
机器学习模型监控警报系统设计：Prometheus+Evidently 实战教程
20%）：服务SLA关键指标 错误率（10%）：系统稳定性基础指标 （2）Evidently监控配置实战 # evident_config.yaml profile: - section: data_drift = Gauge('model_data_drift', 'Data drift score') self.accuracy_gauge = Gauge('model_accuracy' (report.current["data_drift"]["features"]["feature_1"]["drift_score"]) self.accuracy_gauge.set (report.current["performance"]["accuracy"]) 输出验证： # 访问 http://localhost:8000/metrics model_data_drift model_accuracy 0.89 （2）告警规则设计 ALERT ModelPerformanceDegraded IF model_accuracy < 0.85 AND ON() model_data_drift
23810编辑于 2025-07-15 - 来自专栏速入大数据
模型不是坏了，是世界变了——聊聊数据偏差（Data Drift）检测与自动化响应这件“迟早要还的债”
2️⃣Drift会让你“越调越错”更恐怖的是：你以为是参数不行→重调你以为是特征不够→加特征你以为是模型太简单→换大模型但根因其实是：训练分布≠服务分布你在错误的数据地基上疯狂装修。 四、一个工程上“能活”的Drift检测方案我不喜欢PPT方案，咱直接给你一个能落地的套路。Step1：离线训练时，先把“基线分布”存下来这是很多团队没做，但最该做的一步。 我一直强调一句话：没有自动化响应的Drift检测，只是监控装饰品。1️⃣最低成本响应（强烈推荐）超阈值→自动报警报警内容包括：哪些特征漂了漂移方向对应业务指标这是性价比最高的一档。 六、我自己踩过的几个坑（真·血泪）只监控数值特征，忽略类别特征类别占比一变，模型直接懵只看整体Drift，不看分桶Drift总体正常，某人群已经烂了漂移发现了，但没人负责没Owner=没发生所以我现在做 Drift系统，必做三件事：有阈值有责任人有动作七、写在最后：别等模型“塌房”才想起Drift我一直觉得：DataDrift不是算法问题，是工程成熟度问题。
15310编辑于 2026-01-27 - 来自专栏人人都是极客
自动驾驶的模型预测控制
(self, drift): """ Sets the systematical steering drift parameter """ self.steering_drift = drift def move(self, steering, distance, tolerance=0.001, max_steering_angle (self, drift): """ Sets the systematical steering drift parameter """ self.steering_drift = drift def move(self, steering, distance, tolerance=0.001, max_steering_angle self.steering_drift = drift def move(self, steering, distance, tolerance=0.001, max_steering_angle
2.1K40发布于 2018-03-16 - 来自专栏CSDN旧文
CF思维联系--CodeForces - 218C E - Ice Skating （并查集）
He’s a beginner, so his only mode of transportation is pushing off from a snow drift to the north, east , south or west and sliding until he lands in another snow drift. He now wants to heap up some additional snow drifts, so that he can get from any snow drift to any other All snow drift’s locations are distinct. minimal number of snow drifts that need to be created in order for Bajtek to be able to reach any snow drift
38420发布于 2020-10-28 特征泛滥：量化回归模型的生产脆弱性
特征漂移模拟def predict_with_drift(model, scaler, X_base, drift_col_idx, drift_magnitude rmse_lean_drift, rmse_noisy_drift = [], []for d in drift_range: preds_noisy = predict_with_drift( rmse_lean_drift.append( np.sqrt(mean_squared_error(base_lean, base_lean))) # 设计上为0 rmse_noisy_drift.append , rmse_lean_drift, color="#2DAA6E", linewidth=2.5, label="精简模型 (特征不存在)")ax.plot(drift_range, " 发生漂移)')ax.fill_between(drift_range, rmse_noisy_drift, alpha=0.15, color="#E05C3A")ax.set_xlabel
10910编辑于 2026-03-10- 来自专栏半杯茶的小酒杯
PID控制算法
= length self.steering_noise = 0.0 self.distance_noise = 0.0 self.steering_drift (self, drift): """ Sets the systematical steering drift parameter """ self.steering_drift = drift def move(self, steering, distance, tolerance=0.001, max_steering_angle steering2 += self.steering_drift # Execute motion turn = np.tan(steering2) 图片来源【2】 给Robot增加一个drift： robot.set_steering_drift(10.0 * math.pi / 180.0) 可以看到由于系统误差的存在，导致最终车辆稳定在一个非目标位置
3.4K10编辑于 2022-04-28 - 来自专栏KI的算法杂记
ICML 2020 | SCAFFOLD：联邦学习的随机控制平均
作为一种解决方案，本文作者提出了SCAFFOLD，该算法使用控制变量（方差缩减）来纠正其局部更新中的client-drift。 图片 ，SCAFFOLD克服了梯度差异，有效缓解了client-drift。 客户端间数据的异质性会在客户端的更新中引入一个client-drift，这会导致收敛变缓。 作为一种解决方案，SCAFFOLD试图纠正这种client-drift。 2. 然后本地更新方式： 图片 图片 我们可以理解为全局模型相对于本地模型的client-drift值，也就是说我们在对本地模型进行更新时考虑了这种梯度差异，这将有效克服client-drift。 这是因为随着本地更新次数的增加，client-drift也会增加，从而阻碍全局收敛。此外，当我们增加G时（增加异质性），FedAvg的收敛继续减缓。
1.3K20编辑于 2022-11-08 - 来自专栏ShowMeAI研究中心
2022！影响百万用户金融信用评分，Equifax被告上法庭，罪魁祸首——『数据漂移』！⛵
iris.feature_names) iris_frame['target'] = iris.target 我们把完整的数据集切分为训练集和测试集，对其进行对比和数据漂移分析，最后构建仪表盘看板： iris_data_drift_report verbose), CatTargetDriftTab(verbose_level=verbose)]) iris_data_drift_report.calculate (iris_frame[:75], iris_frame[-new_samples:], column_mapping = None) iris_data_drift_report.show(mode= iris_target_drift_dashboard.show() iris_target_drift_dashboard.save('iris_target_drift.html') 图片 参考资料
55752编辑于 2022-11-17 - 来自专栏沉浸式趣谈
JavaScript 事件循环竟还能这样玩!
= now - expected; if (drift >= 0) { callback(); expected += interval ; } setTimeout(step, interval - drift); } setTimeout(step, interval); } // 在 step 函数中不断计算当前时间 now 和预期时间 expected 之间的偏差 drift。 如果偏差 drift 大于等于 0，就调用回调函数 callback，并更新预期时间 expected。 使用 setTimeout 递归调用 step 函数，并根据偏差 drift 调整下一次调用的时间间隔。
32410编辑于 2024-06-04 - 来自专栏Rust语言学习交流
【Rust日报】2022-01-31 新年快乐
flux: 用 Rust 和 wasm 重新创建 macOS的 Drift 屏幕保护程序 作者一直迷恋 Drift 屏幕保护程序，自从它出现在macOS Catalina。 https://github.com/sandydoo/flux 原文链接: https://www.reddit.com/r/rust/comments/sglru6/recreating_macoss_drift_screensaver_with_rust_and
56140编辑于 2022-03-24 - 来自专栏全栈前端精选
前端Tips#4 - 用 process.hrtime 获取纳秒级的计时精度
() 返回的时间使用了一个浮点数来达到 微秒（10^-6） 级别的精确度 时间以一个 恒定的速率 慢慢 增加 的，它不会受到系统时间的影响（不会被其他软件所调整） 从标准定义看，可以存在 clock drift 时钟漂移 这里大致说一下 clock drift 的概念，它是源于 时钟同步 概念。时钟同步（Clock synchronization）是计算机科学与工程学中的一个概念，旨在协调多个独立的时钟。 现实中的多个时钟，即使时间已调至一致，但在一段时间后依然会因为时钟漂移（即clock drift）而显示不同的时间，因为它们计时的速率会略有差异。 是否有更精细的时钟存在呢？ 环境中就提供了 process.hrtime 方法： 在 node v0.7.6 版本中新增，兼容性很好（毕竟现在都 v12 LTS 版本了） 精度高达 纳秒（10^-9） 级别 不存在 时钟漂移 (clock drift Performance.now：MDN 上 performance.now 的 API 文档 Creating a timestamp：言简意赅的总结，本文的选材最初就是来源于此 如何理解 clock drift
2.2K20发布于 2020-02-19 - 来自专栏沉浸式趣谈
JavaScript 事件循环竟还能这样玩!
} setTimeout(step, interval - drift); } setTimeout(step, interval);}// 使用示例preciseInterval 在 step 函数中不断计算当前时间 now 和预期时间 expected 之间的偏差 drift。 如果偏差 drift 大于等于 0，就调用回调函数 callback，并更新预期时间 expected。 使用 setTimeout 递归调用 step 函数，并根据偏差 drift 调整下一次调用的时间间隔。 = performance.now() - expected; if (drift >= 0) { callback(); expected
34710编辑于 2024-06-03 - 来自专栏AI SPPECH
模型不稳定的根源分析：安全部署中的模型可靠之道
=0.2): """ 生成带分布漂移的数据 参数: n_samples: 样本数量 drift_strength: 漂移强度 返回: = 0 else 0 } # 训练模型 model = train_model(X_train, y_train) # 检测分布漂移导致的不稳定 drift_results = detect_drift_instability : 漂移分数 """ # 计算每个特征的漂移分数 drift_scores = [] for feature_idx in range(X_base.shape = (mean_diff + std_diff) / 2 drift_scores.append(drift_score) drift_scores = np.array (drift_scores) # 检测漂移特征 drifted_features = np.where(drift_scores > threshold)[0]
12110编辑于 2026-01-16 - 来自专栏AI SPPECH
失败案例复盘：模型为什么“突然不行了“：安全视角下的根因分析与修复策略
{ 'drift_detected': drift_detected, 'ks_test_results': ks_results, = detector.detect_drift(current_data) print(f"是否检测到漂移: {drift_result['drift_detected']}") print(f"异常率: {drift_result['anomaly_rate']:.2f}") print(f"PCA空间平均距离: {drift_result['avg_distance' print(f"- {feature}: KS统计量={result['ks_stat']:.4f}, p值={result['p_value']:.4f}, 是否漂移={result['is_drift ', 'concept_drift']: confidence += 0.2 elif cause['type'] in ['model_aging
22110编辑于 2026-01-16 - 来自专栏圆圆的算法笔记
多元时序预测：独立预测 or 联合预测？
文中进行了一些理论证明，核心的结论是：真实数据往往存在Distribution Drift，而使用CI方法有助于缓解这个问题，提升模型泛化性。 下面这张图，展示了各个数据集trainset和testset的ACF（自相关系数，反映了未来序列和历史序列之间的关系）随时间变化分布，可以看到Distribution Drift在各个数据集上是广泛存在的 文中通过理论证明了CI对于缓解因此Distribution Drift有效，CI和CD之间的选择，是一种模型容量和模型鲁棒性之间的权衡。 CD模型更加复杂，但是也对于Distribution Drift更敏感。
2.6K20编辑于 2023-08-17 - 来自专栏AI+运维：智能化运维的未来
模型上线不是终点，是“噩梦的开始”：写给运维人的生成式 AI 监控生存指南
今天咱就聊聊——作为一个运维/平台工程师，如何构建一套面向生成式AI的模型与推理监控体系，尤其聚焦三个核心指标：Latency（推理延迟）Drift（模型漂移）Explainability（可解释性）这三样你要是抓不住 三、Drift：模型悄悄变傻，你甚至不知道模型漂移（ModelDrift）是生成式AI中最容易被忽视，也最危险的指标。 如何监控Drift？有三类方法：1）输入分布漂移（InputDrift）比如prompt长度突然变长，输入内容开始从“技术问题”变成“闲聊”。 展开代码语言：PythonAI代码解释fromscipy.statsimportwasserstein_distancedefdetect_drift(prev_dist,current_dist):distance ----------+-----------+|+-------------+-------------+||延迟监控(Latency)内容监控(Output)||TPS、FTL、E2E、GPU漂移(Drift
23010编辑于 2025-12-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号