研究人类和人工神经网（ANNs）学习机制之间的差异，指出后者的Catastrophic Forgetting是一个重要难题。作者提出了一种动态阈值移动算法，能够成功消除这种偏差，并在CIFAR100和MNIST数据集上展示了接近最优的结果，该算法利用增量学习、知识蒸馏等解决了这个问题。

Jul, 2018

研究了在流数据场景下，概念漂移对先前学习的模型造成的影响和需要重新训练的需求，提出了一种基于漂移检测和更广泛的稳态/响应态过程的自适应学习算法，并在实验中验证了该算法优于先前基于漂移检测的方法，并可以应用于多种监督学习问题。

Mar, 2020

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

该论文在构建一个统一的概念和实验框架中，研究了解决神经网络过度拟合的方法，描述了增量学习算法的六个重要属性，探讨了过去样本选择的效用，并提供了可重现性的开源存储库。

Nov, 2020

本文研究了有关时间变量和未知延迟验证对于主动学习问题的影响，提出了一种基于PRopagate和一个依据漂移情况的动态预算策略的解决方案。通过实验评估，发现该方法在不同的延迟时间和预算设置下优于现有技术。此外，还证明了在时间上变化预算分配可以提高主动学习策略的性能，而不增加总体标记预算。

Apr, 2022

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

在实时标签获取困难的场景中，本文提出了一种适用于有限标记数据的流式环境的最优策略，引入了一种自适应的无监督回归技术。该方法利用一组稀疏的初始标签，并引入创新的漂移检测机制，以响应数据中不断变化的模式实现动态模型调整。通过将ADWIN算法与基于RMSE的误差广义化相结合，我们提高了适应性。ADWIN实现了实时漂移检测，而RMSE提供了对模型预测准确性的稳健度量。该组合使得我们的多变量方法能够有效地应对流式数据的挑战，在保持高水平的预测准确性的同时不断适应变化的模式。最后，我们对各种公共数据集评估了我们的多变量方法的性能，并将其与非适应性基线进行比较。通过综合评估，我们证明了我们的自适应回归技术在实时标签获取具有挑战性的任务中的出色效果。结果突显了该方法超越传统方法的能力，并凸显了在标签稀缺和数据模式不断变化的情境中的潜力。

Dec, 2023

本文提出了一种新颖的在线增强自适应学习 (OBAL) 方法，通过自适应学习不同流之间的动态相关性，有效地解决了多流分类中负面转移的问题。

Dec, 2023

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

在互联网时代，从海量数据流中进行持续学习变得非常关键。本论文提出了一种基于最大概念差异的新颖概念漂移检测方法MCD-DD，通过对比学习概念嵌入，能够自适应地识别各种形式的概念漂移，而无需依赖标签或统计属性。通过在合成和实际场景下的大量实验证明，该方法在识别概念漂移和实现高解释性的定性分析方面优于现有基准模型。

Jul, 2024