DAO-GP 漂移感知在线非线性回归高斯过程
机器学习
2026-05-28 v1 人工智能
摘要
现实数据集通常表现出由演化数据分布特征化的时序动态。忽视这一现象，通常称为概念漂移，会显著降低模型的预测精度。此外，在线模型中超参数的存在会加剧这一问题。这些参数通常是固定的，无法由用户根据演化的数据分布进行动态调整。高斯过程（GP）模型提供强大的非参数回归能力并具有不确定性量化，使其成为在线环境中建模复杂数据关系的理想选择。然而，传统的在线 GP 方法面临若干关键限制，包括缺乏漂移感知、依赖固定超参数、易受数据窥探攻击、缺乏原则性的衰减机制以及内存效率低下。作为回应，我们提出 DAO-GP（漂移感知在线高斯过程），一种新颖的、完全自适应的、无超参数的、带衰减的稀疏非线性回归模型。DAO-GP 具有内置的漂移检测与适应机制，可根据漂移严重程度动态调整模型行为。广泛的实证评估证实了 DAO-GP 在静止条件下、多种漂移类型（突变、递增、渐进）和不同数据特征下的鲁棒性。分析表明其动态适应、高效的内存与基于衰减的管理以及演化的诱导点。与最先进的参数和非参数模型相比，DAO-GP 持续取得优越或竞争性的性能，使其成为在线非线性回归的漂移弹性解决方案。
引用
@article{arxiv.2512.08879,
title = {DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process},
author = {Mohammad Abu-Shaira and Ajita Rattani and Weishi Shi},
journal= {arXiv preprint arXiv:2512.08879},
year = {2026}
}