适应数据流动态特性的条件无监督回归框架

在获取实时标签具有挑战性的场景中，传统方法可能导致次优性能。本文提出了一种针对标签数据有限的流式上下文的最优策略，引入了一种自适应无监督回归技术。所提出的方法利用稀疏的初始标签集，并引入了一种创新的漂移检测机制，以实现对数据中演化模式的动态模型适应。为了增强适应性，我们将ADWIN（自适应窗口）算法与基于均方根误差（RMSE）的误差泛化相结合。ADWIN促进实时漂移检测，而RMSE提供了模型预测精度的稳健度量。这种组合使我们的多变量方法能够有效应对流式数据的挑战，持续适应变化的模式，同时保持高水平的预测精度。我们在多个公共数据集上评估了多变量方法的性能，并将其与非自适应基线进行了比较。通过全面评估，我们证明了我们的自适应回归技术在实时获取标签是重大挑战的任务中具有优越的有效性。结果强调了该方法超越传统方法的能力，并突出了其在标签稀缺和数据模式演变的场景中的潜力。