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

本文介绍了 VCoTTA，这是一种变分贝叶斯方法，用于在 Continual Test-Time Adaptation（CTTA）中测量不确定性，并且该方法通过组合源模型和教师模型的先验来更新学生模型，实验证明该方法在减轻 CTTA 框架内的先验漂移方面的有效性。

Feb, 2024

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

本论文研究了领域自适应中的标定问题，提出了 Transferable Calibration 方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定，从而在关键场景下做出更可靠的决策。

Jul, 2020

在该文中，作者提出了一种用于 Continual Test-time Domain Adaptation 的 Dynamic Sample Selection（DSS）方法，通过动态阈值、正向学习和反向学习等过程，选择低质量样本并进行联合学习，从而提高模型在图像领域的效果，并展示了其在 3D 点云领域的适用性和潜力。

Oct, 2023

本文研究了在不断变化的目标领域中将源预训练模型适应的困难任务，发现源模型对目标数据流分布的不断改变表现出高度偏向的预测，本文提出了一种解决偏见问题的方法，并在现有的连续测试时间适应方法基础上取得了显著的性能提升，而适应时间开销并不大。

Mar, 2024

本文提出了一种利用机制转移适应目标领域的方法，该方法可以在数据生成机制在不同领域间不变的假设下应对非参数移位问题，并应用因果模型中的结构方程来进行域适应，实验证明该方法可以在回归问题中有效使用。

Feb, 2020

本论文提出了一种适应性统计算法 CACM，通过建立数据生成过程中的因果关系来自适应地识别并应用正确的独立性约束，从而提高对不可见域的准确性，证明了现有单一、固定约束算法无法在所有转移中有效而导致了混合实证结果。

Jun, 2022

论文利用结构因果模型来分析和比较了领域适应方法的预测性能，提出了一种新的 CIRM 方法，并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。

Oct, 2020