扩展版OL-MDISF：来自混合类型、漂移及不完整流式特征的在线学习
机器学习
2025-07-17 v2 人工智能
摘要
在线学习是一种特征空间可随时间变化的灵活学习范式，吸引了大量关注。然而，它仍面临三个重大挑战：首先，具有混合特征类型的真实数据流对传统参数建模构成挑战；其次，数据流分布随时间漂移，导致模型性能骤降；此外，时间和成本约束使得在监督设置下对每个数据实例进行标注不可行。为此，我们提出了一种新算法Online Learning from Mix-typed, Drifted, and Incomplete Streaming Features (OL-MDISF)，旨在放宽对特征类型、数据分布和监督信息的限制。我们的方法涉及利用 copula模型创建全面的潜在空间，采用自适应滑动窗口检测漂移点以确保模型稳定性，并建立基于几何结构关系的标签相似性信息。为证明该模型的效率和有效性，我们提供了理论分析和全面的实验结果。本扩展作为原始OL-MDISF方法的独立技术参考提供了（i）OL-MDISF在更广泛在线学习领域中的背景分析，涵盖最近在混合类型特征建模、概念漂移适应和弱监督方面的进展，以及（ii）在14个真实数据集上进行的一系列全面实验，包括两种漂移情景下的完整CER趋势、消融研究、敏感性分析和时间序列集成动力学。我们希望本文件能为从事非平稳、异构和弱监督数据流研究者提供可重复的基准和技术资源。
引用
@article{arxiv.2507.10594,
title = {Extension OL-MDISF: Online Learning from Mix-Typed, Drifted, and Incomplete Streaming Features},
author = {Shengda Zhuo and Di Wu and Yi He and Shuqiang Huang and Xindong Wu},
journal= {arXiv preprint arXiv:2507.10594},
year = {2025}
}