面对气候变化，饮用水的已经有限的可用性将来会减少，从而使得饮用水资源日益稀缺。大量的饮用水通过水运输和分配网络的泄漏而丢失。泄漏检测和定位是一项具有挑战性的问题，由于水配送网络中复杂的相互作用和需求的变化。尤其是小泄漏很难确定，但是它们的定位对于避免长时间的水损失至关重要。本文采用压力测量值对泄漏进行定位，通过贝叶斯网络对水配送网络中的泄漏进行建模，并分析系统动力学。我们还展示了如何通过概念漂移的视角来考虑和解决这个问题，特别强调基于模型的概念漂移解释在有限的网络信息情况下定位泄漏的可行性。该方法在实际的基准场景下进行了实验评估。

Oct, 2023

本文为针对水系统中泄漏监测装置的机器学习方法的对抗攻击提出分类方法，进一步关注敏感点问题并使用三种不同的算法解决，结果在两个基准水分布网络上得到评估。

May, 2023

该研究通过比较基于错误率和数据分布的概念漂移检测器的性能，并评估它们在识别漂移时的可靠性，为实践者提供了指导建议和警报系统的适用性分析。

Nov, 2022

该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。

Sep, 2023

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

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

本文提供了对无监督数据流中概念漂移的文献综述，主要关注概念漂移的检测和定位方法，并提供了对各种方法的系统性比较和在真实场景中的使用指南。另外，本文还探讨了解释概念漂移的新兴话题。

Oct, 2023

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

该论文提出了一种基于特征分类器的不依赖于数据分布或特定应用的无监督增量漂移检测算法，以实现在数据流中可靠地检测和适应概念漂移，并展示了在 6 个漂移诱导数据集和 4 个来自网络安全领域的附加数据集上的实验评估结果，表明该算法与无监督特征漂移检测器相比具有更少的误警，可以信任且适用性广泛。

Mar, 2017

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