提出了一种名为 DRAIN 的方法来解决时域领域通用问题，通过 Bayesian 方法建立动态图结构神经网络，在考虑模型参数和数据分布在不同时间点的动态漂移的同时，提供了理论保证，具有较高的有效性和效率。

May, 2022

基于主动学习理论，CODA 是一种用于移动感知的成本高效域适应机制，它从数据分布的角度解决了实时漂移问题，通过聚类损失和重要性加权主动学习算法保留不同聚类之间的关系，展示了与神经网络解决方案的整合，并通过对各种数据集进行细致评估证明了 CODA 在线适应性的可行性和潜力。

Mar, 2024

我们的研究论文提出了一种新颖的基于提示的时间域泛化方法，该方法具有参数高效、时间高效的特点，并且在训练过程中不需要访问目标域数据（即未来时间段的数据）。我们的方法通过学习全局提示、领域特定提示和感知潜在时间动态的提示，使目标预训练模型适应时间漂移。它适用于分类、回归和时间序列预测等各种任务，并在时间域泛化方面取得了新的最先进基准水平。代码仓库将公开共享。

Oct, 2023

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

本研究提出了一种基于 DDG-DA 的预测建模方法，结合对数据演化的预测和生成的方法，能够有效应对概念漂移，提高预测性能。

Jan, 2022

提出了一种新的框架 CoDA，旨在解决数据驱动模拟物理系统无法泛化到共享相同一般动态的新系统的问题，该框架结合了上下文信息的动态调整和超网络，实现了快速的适应和更好的泛化性能。

Feb, 2022

我们提出了一种新的城市时间序列预测模型，通过考虑数据中的周期性，并使用元动态网络根据漂移进行即时调整，以解决概念漂移问题。实验结果表明，我们的设计明显优于现有方法，并可以通过减小它们对分布变化的敏感性来很好地推广到现有的预测模型。

Sep, 2023

高容量成像技术在现代药物发现和开发中起着重要作用，将机器学习模型应用于这些数据集常常面临各种挑战，我们提出了 CODA，一种在线自我监督领域适应方法，通过交叉批次自我监督来使特征提取器权重适应新域，保持任务特定模型不变，我们的结果表明该策略显著减少了泛化差距，在使用不同显微镜的不同实验室数据上实现了高达 300％的改进，CODA 可应用于不同大小的新领域未标记数据源，从单个培养皿到多个实验批次。

Nov, 2023

概念漂移对机器学习模型产生不准确的影响，并且在流式数据背景下，多数研究假设连续的数据点之间是独立的。本研究发现时序依赖性对采样过程有很大影响，因此需要对现有定义进行重大修改，特别是平稳性的概念不适用于这种设置，而需要探讨替代方案。通过数值实验证明了这些替代形式的概念能够描述可观察的学习行为。

Dec, 2023

通过对比恶意软件检测分类器的两种未来样本预测方法（对抗训练和生成对抗网络），研究发现对抗训练方法虽能得到更稳健的分类器，但并不是恶意软件未来样本预测的好方法；与此不同的是，生成对抗网络能够成功用作未来恶意软件的预测方法，并显著提高分类器对新样本的准确性。

Apr, 2024