我们研究了一个具有非平稳标签转移的半监督分类问题，通过观察一组有标签的数据集和一系列无标签的协变量向量，我们的目标是预测每个协变量向量的相应类别标签，而无需观察除初始有标签数据集之外的真实标签。通过建立一个在任何给定测试时间内自适应地适应未知动态边缘标签概率的高概率遗憾上界，我们探索了一种基于统计方法的自适应迁移学习的替代方法，并给出了与在线学习方法相匹配的平均动态遗憾界限的界限。

May, 2024

利用机器学习技术，通过对早期时间步骤的样本集的给定序列，嵌入概率分布进入再生核希尔伯特空间，学习操作符实现预测时间变化分布的下一步，解决了分类器在时间变化条件下的训练问题，实现了域自适应训练。

Jun, 2014

本文通过差分方程和随机微积分的连续时间分析视角，研究离散时间问题，提出了一个连续时间、无需参数算法，并开发了一个类似的离散算法，最后提出了一个任意时间的算法以应对最难情况，并给出了一些令人满意的实验证据。

Jun, 2022

介绍了一种利用 Kullback-Leibler 散度来监控多维数据流概率分布变化，以预测概念漂移事件并了解其本质的新方法，并探讨了其在预测维护等实际任务中的应用。

Oct, 2022

使用进化的、基于群体的方法来适应变化的效果的初步研究。维护每个类别的一个一类分类器集合，通过选择压力迫使集合适应数据流中的潜在变化。

Dec, 2023

通过在共享的潜变量空间中不断更新原型解决了在线学习中原型过时和缓解遗忘的问题，提出了一种学习和预测任意时间点数据的系统。除了最近邻预测之外，通过提高类原型周围的聚类密度和增加类间方差来促进学习的同时，使用记忆库中的样本构成虚拟原型来提高潜在空间质量。

Sep, 2020

本研究旨在探究当前的序列预测模型及训练方法对于基于内隐元学习的解释有多大实现能力，特别是对于具有未观测切换点的分段平稳信号的处理，发现使用记忆型神经模型，包括 Transformers, LSTMs 以及 RNNs 等，可以准确地近似知道的基于 Bayes 最优算法，表现出对于隐含的切换点和每个分段内的数据分布参数进行贝叶斯推断的能力。

Feb, 2023

基于部分结果和功能策略，引入了一种算法来估计整个训练数据库中学习曲线的演变，迭代逼近所需时间的值，独立于学习技术的使用，并且在经过预测级别后，被证明在工作假设方面是正确的，使用户能够根据最终可达到的准确性设定收敛阈值的概念扩展，即使存在扭曲观测也似乎是有效的。我们的目标是评估培训工作量，支持决策制定，以减少在学习过程中对人力和计算资源的需求。该提案在至少三个操作过程中是有意义的，第一个是预测准确性的提升，以衡量达到一定性能水平所需的工作量，第二个是在训练时间内比较系统的效率，以仅完成最适合我们要求的系统的任务，同时准确性的预测也是定制系统的有价值信息，因为我们可以预先估计设置对性能和开发成本的影响。通过生成词性标注器作为示例应用程序，实验结果与我们的预期一致。

Feb, 2024

在动态环境中，在线、单通、类增的情况下，我们利用基于贝叶斯的框架和在线内存回访的有效方法来解决这个挑战性的 lifelong learning 问题，并在实验证明了我们的方法超越了此前的研究成果。

Jan, 2023

本文探究了一种新方法，即将专用分类器的预测结果转化为一组有序对偏好，建立连续时间马尔科夫链，使用平衡分布作为最终预测，从而在大型公共数据集上取得了较大改进，特别是在分类器覆盖不平衡时。

Sep, 2017