在线学习中，适应漂移数据流是一个重要挑战。本文提出了一种基于局部性和尺度的概念漂移分类方法，并构建了一套 2760 个基准问题，用于评估不同难度级别的漂移检测器。通过对 9 种前沿漂移检测器的综合评估，揭示了它们的优势和弱点，并为未来的研究提供了策略。研究结果还表明漂移的局部性如何影响分类器性能，并提出了不同漂移类别的恢复时间最小化策略。最后，总结了对未来概念漂移研究的经验教训和建议。

Nov, 2023

该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。

Apr, 2024

研究了如何通过模型重用应对数据流中的概念漂移问题，为每个模型赋予权重，并根据模型性能自适应调整权重，在合成和真实数据集上进行实验验证方法的优越性。

Sep, 2018

本文针对数据流中的概念漂移进行了相关研究，分析法检测，理解和适应等漂移技术的发展趋势，并建立了一个包含三个主要组件的漂移学习框架：概念漂移检测，概念漂移理解和概念漂移适应。同时，本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集，以评估处理概念漂移的学习算法的性能，涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识，本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。

Apr, 2020

在线更新时间序列预测模型针对概念漂移通过基于流数据调整预测模型来解决挑战。我们提出了一种新颖的方法 D3A，首先检测概念漂移，然后在检测到漂移后积极调整当前模型以适应漂移的概念，从而快速适应。通过在现有的训练样例中引入高斯噪声的数据增强策略，我们提出了一种最大程度利用历史数据进行模型适应的方法。我们的实证研究跨越六个数据集，证明了 D3A 在提高模型适应能力方面的有效性。与简单的时间卷积网络（TCN）基准相比，D3A 将均方误差（MSE）平均降低了 43.9%。对于最先进的模型，MSE 降低了 33.3%。

Mar, 2024

本文介绍了预测机器学习模型在实际应用中由于系统动态性带来的性能退化问题，对概念漂移的类型做出了统一分类，并对最近十年中提出的基于性能的概念漂移检测方法进行了回顾和分类，还提出了跟踪和评估预测系统中模型性能的主要属性和策略，并探讨了开放性研究挑战和可能的研究方向。

Mar, 2022

基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘，包括发现静态和动态图数据中的凝聚社区和模式。

Oct, 2022

这篇论文对文本流场景中的概念漂移适应进行了系统的文献综述，包括文本漂移类别、文本漂移检测类型、模型更新机制、流式挖掘任务、文本表示类型以及文本表示更新机制，并讨论了漂移可视化和模拟，列举了所选论文中使用的真实世界数据集。

Dec, 2023

人工智能的实际应用越来越经常需要处理实际数据的流式特性，考虑到时间因素，这些数据可能会受到周期性和更或多或少混乱的退化现象的影响，从而直接导致概念漂移。本研究提出了一种无监督的并行激活漂移检测器，利用未经训练的神经网络的输出，介绍了其关键设计要素、有关处理属性的直觉以及一系列计算机实验，证明了该方法与现有最先进方法的竞争力。

Apr, 2024

提出了 DriftLens，一种基于深度学习表示的无监督实时概念漂移检测框架，能够比以前的方法更好地检测漂移，在至少 11 个测试用例中运行速度至少快 5 倍，并且其检测到的漂移值与实际漂移量非常相关（相关性≥0.85），对参数变化具有鲁棒性。

Jun, 2024