通过训练二元分类器，我们提出了一种简单的方法来检测分布的变化，从而解决了在模型设计过程中的分布偏移问题，并通过验证其在实际应用中的有效性，证实了此方法可以提高设计的质量。

Nov, 2023

本文提出了一种半监督元学习方法（SETS）来解决不断演化的任务分布和大量的未标记数据存在时的元学习问题，并通过引入相互信息正则化来稳健地利用未标记外部分布数据以及采用最优传输正则化来在特征空间记住已学习的知识。在大规模非稳态半监督任务分布数据集上的测试中，实验证明了本文方法相对于相关强基线具有更好的鲁棒性。

Sep, 2022

该论文提出了一种基于在线模型的强化学习方法，用于解决未知任务边界的特定问题，在处理非静态任务分布变化方面表现优异。

Jun, 2020

本文提出了一种模型无关的贝叶斯在线学习方法，通过整合变点检测、切换动态系统和贝叶斯在线学习的思想来同时推断这些分布漂移并根据检测到的变化适应模型，能够在监督和无监督学习环境中使用，适用于概念漂移或协变漂移的环境，并在贝叶斯在线学习方法方面取得了改进。

Dec, 2020

本文提出了一种解决深度学习模型在没有显式任务信息的非定常数据流上进行持续学习的方法，即基于进化的混合模型，该模型的网络架构动态扩展以适应数据分布的变化，并引入了两个简单的丢弃机制来避免存储的例子过多导致记忆过载问题，实证结果表明，该方法在持续学习任务上取得了优异的性能。

Jul, 2022

用弱监督数据和数据集变化训练机器学习模型仍然具有挑战性。在这两种情况下设计算法的探索尚不多见，并且现有算法不能始终处理最复杂的分布变化。我们认为，双质数据设置是设计这类算法的合适框架。我们提出了两种方法，一种受到标签噪声文献的启发，另一种受到协变量变换文献的启发，用于双质学习。我们在许多真实数据集上使用两种新方法对概念漂移和类条件变化进行了合成，并开展了一些讨论，评估双质学习算法在分布变化下的鲁棒性仍然是未来研究的一个有趣问题。

Aug, 2023

本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证明了方法的潜力。

Apr, 2024

基于机器学习的性能模型在构建关键的作业调度和应用程序优化决策中越来越被使用。我们开发了持续学习性能模型，考虑到数据分布漂移，减轻灾难性遗忘，并提高泛化能力。我们的最佳模型能够保持准确性，无论系统变化引起的新数据分布，同时相比于朴素方法，在整个数据序列的预测准确度上提升了 2 倍。

Oct, 2023

本研究提出了一种使用未标记数据的自适应方法 (MEMO-CL)，利用最新的无监督技术来最小化在测试时由于分布变化导致的测试性能下降问题，通过对单个测试样本中的一批增强样本进行处理，实现了无监督、领域不可知、容易实施且无需额外数据的自适应技术，相对当前测试时适应基线所取得的进展为 3%。

Dec, 2022

在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该离散变量的动态网络选择进行自适应。通过一组稀疏网络的重叠，采用动态遮罩策略来支持不同分布之间的互相转移。大量实验证明我们的方法在准确检测分布转变边界以获取不同分布的片段并有效适应下游预测或分类任务方面优越。

Sep, 2023