迭代遗忘：使用受数据库启发的自适应粒度在线数据流回归

Mar, 2024

迭代遗忘：使用受数据库启发的自适应粒度在线数据流回归

Iterative Forgetting: Online Data Stream Regression Using Database-Inspired Adaptive Granulation

Niket Kathiriya, Hossein Haeri, Cindy Chen, Kshitij Jerath

TL;DR提出了一种基于数据库的数据流回归模型，通过从传入的数据流中创建粒子来保留相关信息，迭代地遗忘过时的粒子，并使用最近的数据和粒子提供低延迟预测。与现有算法相比，该方法丢弃数据能够显著提高延迟和训练时间的数量级，并且 R * 树灵感的粒化技术提供了竞争性准确的预测。

Abstract

Many modern systems, such as financial, transportation, and telecommunications systems, are time-sensitive in the sense that they demand low-latency predictions for real-time decision-making. Such systems often h

data stream regression r*-tree-inspired granulation low-latency predictions concept drift real-time decision-making

发现论文，激发创造

内存约束下的数据流分类 Mondrian Forest

本文介绍了一种将监督学习算法从基于内存的模型转变为基于数据流处理，特别是针对存储容量有限的设备，使用了五种弥补内存限制的策略，并设计了修剪机制来应对数据概念漂移的在线 Mondrian Forest (OMF) 分类算法。作者在各种真实和模拟数据集上进行了实验，推荐使用 Extend Node 策略，修剪机制则需要根据是否预期概念漂移而定。所有方法都在 OrpailleCC 开源库上实现，并可用于嵌入式系统和物联网设备。

May, 2022

从过去学习，预测未来的统计数据，学习进化系统

该论文将粗路径理论运用到流数据的非参数统计学研究中，通过对流的特征集进行分级，采用线性回归方法来描述自变量与因变量条件分布之间的功能关系，并实现了一定的降维。“粗路径” 法在统计学中具有显著的优势，能在计算成本较低的前提下达到与高斯过程（GP）法类似的预测精度。

Sep, 2013

基于概念漂移检测和基于原型的嵌入的图流分类的增量学习

该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。

Apr, 2024

具有短回顾的半监督漂移流学习

提出了一种基于生成回放框架的半监督漂移流学习方法，能够解决在机器学习中标记数据有限，数据漂移、历史流数据存储有限以及短视窗下的模型更新等问题。

May, 2022

具有有限数据保留的在线算法

引入带有数据保留约束条件的在线算法模型，在多维均值估计和线性回归问题中展示了多维随机子集和对抗噪声模型在模拟随机梯度下降的进展方面的最新进展。