面向演化流式时序数据的连续渐进神经网络（cPNN）
机器学习
2026-03-04 v1 人工智能
摘要
应对无界数据流涉及克服数据相同分布且独立的假设。实际上，数据流可以表现出时间依赖性（即为时序数据），并且数据可以随时间变化分布（概念漂移）。这两个问题被深入讨论，现有解决方案分别解决它们：缺乏联合解决方案。在此基础上，学习多个概念意味着需要记住过去（即神经网络术语中的避免灾难性遗忘）。本工作提出连续渐进神经网络（cPNN），提供解决方案来控制概念漂移、处理时间依赖性，同时规避灾难性遗忘。cPNN是渐进神经网络的连续版本，这是一种记住旧概念并将过去知识传递以快速适应新概念的方法。我们基于循环神经网络，利用对时序数据应用的随机梯度下降。消融研究结果表明，cPNN能够快速适应新概念并对漂移具有鲁棒性。
引用
@article{arxiv.2603.03040,
title = {cPNN: Continuous Progressive Neural Networks for Evolving Streaming Time Series},
author = {Federico Giannini and Giacomo Ziffer and Emanuele Della Valle},
journal= {arXiv preprint arXiv:2603.03040},
year = {2026}
}