终身自适应：当自适遇见终身机器学习

过去几年中，机器学习（ML）已成为支持自适应的一种流行方法。尽管 ML 技术能够处理自适应中的若干问题（如可扩展的决策制定），它们也面临固有的挑战。本文关注其中一个对自适应尤为重要的挑战：ML 技术被设计用于处理与运行域相关的一组预定义任务；它们难以应对新出现的任务，例如用于学习的输入数据中的概念漂移。为应对该挑战，我们提出\textit{终身自适应}：一种新颖的自适应方法，通过终身 ML 层增强使用 ML 技术的自适应系统。终身 ML 层跟踪运行系统及其环境，将此知识与时下任务相关联，基于差异识别新任务，并相应地更新自适应系统的学习模型。我们提出一种可复用的终身自适应架构，并将其应用于由自适应决策所用学习模型输入数据的不可预见变化所引起的概念漂移案例。我们使用两个案例对两类概念漂移验证了终身自自适应。