Dynamic Features Adaptation in Networking: Toward Flexible Training and Explainable Inference¶
会议: NeurIPS 2025
arXiv: 2510.08303
代码: 未公开
领域: 可解释性
关键词: Adaptive Random Forest, Feature Importance, Explainable AI, Data Stream, 6G Networks, Drift Detection, SHAP, MDI
一句话总结¶
提出 DAFI（Drift-Aware Feature Importance）算法，利用分布漂移检测动态切换 SHAP/MDI 两种特征重要性方法，结合自适应随机森林（ARF）实现通信网络场景下特征动态增加时的灵活训练与高效可解释推理。
研究背景与动机¶
6G 网络 AI 原生化需求：未来通信网络被设想为 AI 原生架构，AI 需嵌入基站和网络节点进行移动模式识别与 KPI 优化，但不同厂商、硬件代际导致各节点暴露的特征集不一致。
特征异构性挑战：多厂商部署下，不同基站可能提供不同的 KPI 测量指标，难以训练统一的全局模型，且硬件升级会引入新特征，模型需要动态适应特征空间的变化。
数据分布漂移问题：流量模式、用户行为和无线信道条件随时间演变，静态模型无法应对持续漂移，需要增量式/流式学习方案。
可解释性的关键地位：AI 控制关键基础设施时，运营商信任、监管合规要求模型具备透明的决策解释能力，Feature Importance（FI）是主要手段。
SHAP 计算开销过高：SHAP 是最广泛使用的 FI 方法，但计算代价随特征数和模型规模指数增长，难以满足基站实时、短间隔重复计算的需求。
MDI 与 SHAP 不一致：MDI 作为树模型内置的轻量 FI 方法速度极快，但在数据漂移且模型尚未更新时，其排名与 SHAP 显著不一致，可靠性不足。
方法详解¶
整体框架¶
本文提出两个互补组件：(1) 使用自适应随机森林（ARF）进行迭代流式训练，适应特征动态增加的通信网络场景；(2) 提出 DAFI 算法，在 ARF 训练过程中根据分布漂移信号智能切换 SHAP 和 MDI，兼顾 FI 精度与计算效率。
关键设计 1：自适应随机森林（ARF）迭代训练¶
- 功能：在数据流上增量训练 ARF，随训练进行渐进引入新特征（epoch 10 加 1 个特征，epoch 20 加 2 个特征）。
- 核心思路：ARF 内置漂移检测器（基于 Hoeffding Tree），当检测到概念漂移时自动替换性能退化的子树，使模型在特征空间扩展时保持稳定性。采用 prequential 80:20 划分，按顺序在 40-50 个 batch 上迭代训练和评估。
- 设计动机：通信网络中特征集随新硬件和配置变化而扩展，ARF 的自适应机制天然匹配这种动态环境，且相比重新训练全局模型成本更低。
关键设计 2：DAFI（Drift-Aware Feature Importance）¶
- 功能：对每个样本，根据当前训练 batch 与上一 batch 之间的分布漂移状态，决定使用 SHAP（漂移时）还是 MDI（无漂移时）计算 FI。
- 核心思路：使用 Kolmogorov-Smirnov (KS) 检验对每个特征检测前后 batch 间的分布差异。若 KS 统计量超过阈值 η，判定存在漂移，触发 SHAP 计算；否则使用快速的 MDI。阈值 η 需根据数据集 batch 大小调整（Network 数据集 η=0.125，其他 η=1）。
- 设计动机：MDI 在模型已适应当前数据时与 SHAP 基本一致，仅在漂移发生、模型尚未调整时偏差较大。因此仅在漂移时"付出" SHAP 的高计算代价，正常时段使用 MDI 节省资源。
关键设计 3：动态 Top-k 评估指标¶
- 功能：设计自适应的 Top-k 特征评估方法，通过累积 SHAP 权重至阈值 0.8 来确定 k 的值，而非固定 k。
- 核心思路：在特征数量动态变化的流式场景中，固定 k 不合理。按 SHAP 权重降序累加，达到 80% 累积阈值时确定要比较的 Top-k 集合，再用 Set Match（集合匹配）、Exact Match（精确排序匹配）和 Spearman 秩相关评估 MDI/DAFI 与 SHAP 的一致性。
- 设计动机：归一化的 FI 分数依赖当前特征数，动态 k 能更公平地反映不同方法在变化特征空间下的排名准确性。
损失函数与训练策略¶
- ARF 采用 river 库实现，基于 Hoeffding Tree 增量学习，无需显式损失函数优化，而是通过信息增益/Gini 指数进行节点分裂。
- 内置 ADWIN 漂移检测器，检测到漂移时重置受影响的子树。
- 训练为 prequential（先测后训）流式设置，ntrees=10，每次 FI 计算采样 nsamples=50 个测试样本。
实验¶
实验 1：ARF 在动态特征下的性能（Network 数据集）¶
| 阶段 | 特征数 | 测试准确率 |
|---|---|---|
| Epoch 0-9 | 3 个特征 | ~0.64 |
| Epoch 10-19 | 4 个特征（+1） | ~0.64→逐步提升 |
| Epoch 20-40 | 6 个特征（+2） | ~0.72 |
新特征引入不会损害模型性能，反而持续提升准确率，从 0.64 提升至 0.72，证明 ARF 在动态特征空间下的稳定性。
实验 2：DAFI 运行时效率与 FI 准确性（Network 数据集）¶
| FI 方法 | 运行时间 (s) | 节省 (%) | Top-k Set | Top-k Exact | Spearman |
|---|---|---|---|---|---|
| SHAP | 1488.32 | 0.00 | 1.00 | 1.00 | 1.00 |
| MDI | 9.37 | 99.37 | 0.27 | 0.09 | 0.53 |
| DAFI | 674.49 | 54.68 | 0.55 | 0.40 | 0.67 |
DAFI 在 Network 数据集上节省约 55% 运行时间，同时在所有 FI 准确性指标上全面超越 MDI。在 Electricity 数据集上 Top-k Exact 达 0.76、Spearman 达 0.85，在 Weather 上 Spearman 达 0.83，展示了跨域泛化能力。
亮点¶
- 问题切入精准：准确识别了 6G 网络 AI 部署中特征异构、动态增长与实时可解释性的实际需求。
- DAFI 思路简洁有效：仅通过 KS 检验判断漂移来切换 SHAP/MDI，无需复杂架构即获得显著的效率-精度平衡。
- 运行时间大幅削减：在保留较高 FI 一致性的前提下，将 SHAP 的计算开销降低约 50-65%。
- 实验验证完整：在 3 个不同领域数据集上验证，且提供了 SHAP 随特征数/模型规模的 runtime 增长分析作为支撑。
局限性¶
- Vision Paper 缺乏深度技术贡献：论文自我定位为 vision paper，ARF 和 KS 检验均为现有方法的组合，方法新颖性有限。
- 阈值 η 需手动调优：KS 检验的漂移阈值在不同数据集上差异很大（0.125 vs 1.0），缺乏自动化选择策略。
- 评估规模较小：实验仅使用 ntrees=10、nsamples=50，在大规模实际部署场景下的效果未验证。
- 仅验证特征增加场景：未涉及特征删除/替换等更复杂的动态特征变化场景。
- 分类为 object_detection 存疑：本文核心为网络流量/KPI 分类，与目标检测领域关联不大。
相关工作¶
- SHAP / TreeSHAP：Lundberg & Lee (2017) 提出的模型无关 FI 方法，精确但计算开销大。
- MDI (Mean Decrease in Impurity)：Scornet (2021) 形式化的树模型内置 FI 方法，快但不稳定。
- 增量 XAI：iPFI (Fumagalli et al., 2023) 和 Muschalik et al. (2022) 探索流式场景下的增量解释方法。
- ARF：Gomes et al. (2017) 提出的自适应随机森林，内置漂移检测的流式集成学习方法。
- 网络领域 XAI：Brik et al. (2024) 综述了 6G O-RAN 中的可解释 AI 方法。
评分¶
- 新颖性: ⭐⭐⭐ — 方法为已有技术的组合，但问题定义和漂移驱动切换思路有价值
- 实验充分度: ⭐⭐⭐ — 3 个数据集验证充分，但规模偏小且缺乏消融实验
- 写作质量: ⭐⭐⭐⭐ — 定义清晰、结构合理、motivation 论述充分
- 价值: ⭐⭐⭐⭐ — 对 6G 网络 AI 场景的实际部署有实用参考价值