AiGAS-dEVL：一种面向极端验证延迟下漂移数据流的自适应增量神经气模型

当今数据生成速度的持续增长，加上标注过程的高昂成本，导致机器学习模型面临数据部分标注的场景。监督信息无限期不可用的极端情况被称为极端验证延迟。另一方面，在流式设置中，数据流受到外生因素的影响，导致模式出现非平稳性（概念漂移），迫使从数据流中增量学习的模型将其建模知识适应流中的概念。本文研究了这两种条件同时出现的复杂情况，其中适应流中漂移的机制因缺乏监督而受到挑战，需要额外的机制来在缺乏验证的情况下追踪概念的演化。为此，我们提出了一种新方法 AiGAS-dEVL（面向极端验证延迟下漂移流的自适应增量神经气模型），该方法依赖于增长型神经气来刻画流中随时间检测到的所有概念的分布。我们的方法表明，在线分析这些原型点随时间的行为有助于定义特征空间中概念的演化、检测其行为的变化，以及设计适应策略以减轻这些变化对模型的影响。我们在多个合成数据集上评估了 AiGAS-dEVL 的性能，并将其与近期提出的用于解决该流学习设置的最先进方法进行了比较。我们的结果表明，AiGAS-dEVL 与其他基线方法相比具有竞争力，在基准测试的多个数据集上表现出卓越的适应性，同时确保了简单且可解释的基于实例的适应策略。