Trong bài báo này, chúng tôi đề xuất DriftLens, một khuôn khổ phát hiện và mô tả sự trôi dạt khái niệm theo thời gian thực dựa trên học không giám sát để giải quyết vấn đề trôi dạt khái niệm trong các mô hình học máy thực tế đòi hỏi phải phát hiện và giám sát sự trôi dạt khái niệm liên tục. DriftLens khắc phục những hạn chế của các phương pháp hiện có kém hiệu quả và không chính xác bằng cách tận dụng khoảng cách phân tán trong các biểu diễn học sâu, cho phép phát hiện hiệu quả và chính xác. Ngoài ra, nó mô tả và giải thích sự trôi dạt khái niệm bằng cách phân tích tác động lên từng nhãn. Kết quả đánh giá trên các bộ phân loại và kiểu dữ liệu khác nhau cho thấy DriftLens vượt trội hơn các phương pháp hiện có trong 15/17 trường hợp sử dụng, tạo ra các đường cong trôi dạt nhanh hơn ít nhất 5 lần, có tương quan cao (>0,85) với sự trôi dạt thực tế và xác định và giải thích hiệu quả các mẫu trôi dạt đại diện.
