OLR-WAA：基于动态加权平均的自适应抗漂移在线回归
机器学习
2025-12-16 v1
摘要
现实世界数据集经常表现出数据分布的演化，反映了时间变化和潜在偏移。忽视这一被称为概念漂移的现象，会显著降低模型的预测性能。此外，在线模型中超参数的存在加剧了这一问题，因为这些参数通常是固定的，缺乏动态适应演化数据的灵活性。本文提出了“OLR-WAA：一种基于动态加权平均的自适应抗漂移在线回归”，这是一个无超参数模型，旨在应对非平稳数据流的挑战并实现有效的持续适应。其目标是在模型稳定性和适应性之间取得平衡。OLR-WAA 通过整合输入数据流，利用指数加权移动平均来增量更新其基础模型。它进一步引入了一种独特的优化机制，能够动态检测概念漂移、量化其幅度，并根据实时数据特征调整模型。严格的评估表明，它在静态环境下可达到与批量回归相当的性能，并持续优于或匹敌最先进的在线模型，证实了其有效性。概念漂移数据集揭示了性能差距，而 OLR-WAA 有效弥合了这一差距，使其有别于其他在线模型。此外，该模型通过优先处理稳定、高置信度数据点的保守更新策略，有效处理基于置信度的场景。值得注意的是，OLR-WAA 收敛迅速，与其他在线模型相比，持续产生更高的 R2 值。
引用
@article{arxiv.2512.12779,
title = {OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging},
author = {Mohammad Abu-Shaira and Weishi Shi},
journal= {arXiv preprint arXiv:2512.12779},
year = {2025}
}