提出了一种新的持续性学习方法来同时处理学习和存储新信息以及适应先前概念的变化，该方法引入了一个记忆库和一个反应子空间缓冲区来解决数据流挖掘和连续学习两个领域的问题。

Apr, 2021

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

本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

Mar, 2024

这篇论文对文本流场景中的概念漂移适应进行了系统的文献综述，包括文本漂移类别、文本漂移检测类型、模型更新机制、流式挖掘任务、文本表示类型以及文本表示更新机制，并讨论了漂移可视化和模拟，列举了所选论文中使用的真实世界数据集。

Dec, 2023

本文提出了一种自编码器模型的增量学习方法，并加入了漂移检测，以应对非平稳环境中异常事件的问题。在实验中，我们使用了现实世界和合成数据集进行了实证分析，并进行了对比分析，结果表明该方法明显优于现有的基线和先进方法。

May, 2023

本文提出了一种基于社交网络理论的动态集合方法：Scale-free Network Regressor（SFNR），以检测数据流中的概念漂移。通过使用 Adaptive Window 算法，我们实现了更好的性能和准确性，尤其是在概念漂移的情况下，并与其他现有算法进行了比较。

Apr, 2023

本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。

Jun, 2021

本文提出一种基于持续学习的流式 GNN 模型，通过信息传播和数据重放与模型正则化相结合，实现了对新模式和既有模式的同时维护，解决了历史知识被新知识覆盖的灾难性遗忘问题。在多个实验数据集上的节点分类结果表明，该模型能有效地更新模型参数并达到与重新训练相当的性能。

Sep, 2020

深度神经网络（DNNs）是最广泛使用的机器学习算法之一。本文关注集成私有 DNNs 的概念来检测概念漂移，并引入一种名为 IPDD 的集成方法，不需要标签即可检测漂移。实验证明该方法在隐私性和效用上具有可比性。

Jun, 2024

该研究针对增量学习设计了一种新方法，使用嵌入网络，以自然方式加入新类别而无需添加新的权重，并且通过估计特征的语义漂移来避免严重遗忘。实验结果表明，该方法表现优异且能显著减少遗忘。

Apr, 2020