本研究探讨了机器学习系统因数据集偏移导致的性能下降问题。模型更新的不透明性使用户难以理解其对系统推理的影响，带来了认识论和安全性挑战。虽然提出了一些替代策略，但每种策略都有其风险，未来需要进一步研究。

本研究提出了一种新的无监督数据集偏移识别框架，旨在解决临床AI模型因数据分布变化导致的性能下降问题。该框架能够有效区分标签分布变化、输入特征变化和混合偏移，并结合自我监督编码器和任务模型输出的方法，显著提高了对细微特征变化的检测能力。

介绍了 Biquality Learning 机器学习框架，可处理弱监督和数据集偏移问题，依赖小型数据集。提出了 biquality-learn Python 库，易于访问和使用，可重复实验。