在线机器学习的系统理论方法
通过基本理念和关键原则的系统回顾以及对不同算法和技术的适当分类，此调查旨在提供对在线机器学习文献的全面调查。总体而言，现有的在线学习作品可以根据学习类型和反馈信息的形式分为三个主要类别：（i）始终可用全反馈信息的监督式在线学习，（ii）具有有限反馈的在线学习，以及（iii）无反馈可用的无监督在线学习。
Feb, 2018
本文探讨了机器学习模型在组织背景下促进知识转移的潜力，以构建更具成本效益的基于 IT 的教学系统。通过系统的文献综述和概念分析，本研究为计算机支持的协同工作领域做出了贡献，为构建区别于众的人机交互的知识转移子领域奠定了基础。
May, 2023
机器学习算法在当今世界中变得不可或缺，支持和加速我们根据手头数据做出决策的方式。本文回顾了在 ECML PKDD 2023 上举办的我们的在线深度学习机会与挑战教程，并简要概述了在在线学习环境中应用神经网络的机会和潜在风险，其中使用了 River 和 Deep-River 框架。
May, 2024
本文探讨了多个在线机器学习算法，从理论角度评估了它们在特定函数逼近问题上的适用性，进一步通过高效的实现利用各种计算和数学技巧将理论上适合的学习算法应用于手头的函数逼近问题，并通过严格测试评估实现的学习算法。
May, 2016
传统上，数值算法被视为孤立的代码，但对于现代控制、学习或优化领域的许多计算方法而言，这一视角不适用。本文提出了对正在形成的 “算法系统理论” 的愿景，并主张将算法视为与其他算法、物理系统、人类或数据库交互的开放动力系统。同时，文章还调查了正在发展中的算法系统理论的各种实例，并概述了相关的建模、分析和设计挑战。
Jan, 2024
本文提出了一种量化的交互式学习和自适应行为方法，并从模型和决策制定的角度整合了行为反馈。通过在最小复杂度下最大化预测能力，导出了最优行为政策和模型的类，并总结了这一过程的因果组织。该方法的基本原则之一是学习者的最优行为政策需要在勘探和控制之间保持平衡，这是一个新的重点。
Sep, 2007
提出了一种在线结构化元学习（OSML）框架，该框架通过元分层图形式显式解开元学习器，通过不同的知识块构建元知识路径，从而使模型能够快速适应新任务并吸收新知识。通过在三个数据集上的实验，证明了该框架在同质性和异质性任务上的有效性和可解释性。
Oct, 2020
本研究论文对推荐系统进行了综述，并指出现有方法的局限性，即很多方法只针对已有数据进行学习，难以应用于新用户或物品，同时也难以动态更新。因此，未来应该发展基于归纳学习和增量更新的推荐模型，并提出了未来研究的方向和待解决的问题。
Nov, 2022