连续演化池：面向在线时间序列预测中的持续概念漂移
机器学习
2026-01-29 v2
摘要
持续概念漂移（recurring concept drift）在在线时间序列预测中提出了双重挑战：既要缓解灾难性遗忘，又要遵守严格的隐私约束，限制无法保留历史数据。现有方法主要依赖参数更新或经验回放，必然会导致知识覆盖或隐私风险。为此，本文提出连续演化池（Continuous Evolution Pool, CEP），一种隐私保护的框架，维持一组动态的专用预测器。不存储原始样本，CEP利用轻量级统计基因（statistical genes）将概念识别与预测解耦。具体做法：采用检索机制基于基因相似性识别最近概念；采用演化策略在检测到分布漂移时生成新的预测器；采用消除策略在内存受限时筛选过时模型。实验在真实数据集上表明，CEP显著优于最先进的基线方法，在不访问历史真实值的情况下将预测误差降低超过20%。
引用
@article{arxiv.2506.14790,
title = {Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting},
author = {Tianxiang Zhan and Ming Jin and Yuanpeng He and Yuxuan Liang and Yong Deng and Shirui Pan},
journal= {arXiv preprint arXiv:2506.14790},
year = {2026}
}