OLC-WA：漂移感知免调参在线分类与加权平均
机器学习
2025-12-16 v1 人工智能
摘要
真实数据集通常表现出由演化数据分布所刻画的时序动态性。忽视这一现象（即概念漂移）会显著降低模型的预测准确率。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，无法由用户根据不断演化的数据分布进行动态调整。本文提出在线分类加权平均法（OLC-WA），一种具备自动优化机制的自适应、无超参数在线分类模型。OLC-WA 通过将到达的数据流与现有基线模型进行融合来运作，该融合由指数加权移动平均实现。此外，集成优化机制可动态检测概念漂移、量化其幅度，并根据观测到的数据流特征调整模型。该方法使模型能够在流式环境中有效适应不断演化的数据分布。在多样化基准数据集上的严格实证评估表明，OLC-WA 在静态环境中达到与批量模型相当的性能，准确率保持在 1-3% 以内，并在漂移条件下超越领先在线基线 10-25%，证明其在适应动态数据流方面的有效性。
引用
@article{arxiv.2512.12785,
title = {OLC-WA: Drift Aware Tuning-Free Online Classification with Weighted Average},
author = {Mohammad Abu Shaira and Yunhe Feng and Heng Fan and Weishi Shi},
journal= {arXiv preprint arXiv:2512.12785},
year = {2025}
}