基于新颖类识别的开放世界自编码漂移检测：面向表格非平稳数据流
机器学习
2026-05-29 v1
摘要
数据流处理已成为现代机器学习应用的里程碑，概念漂移和新类的出现是高级识别方法面临的主要挑战。本工作提出一种无监督概念漂移检测方法，通过自编码器的重构误差识别已知类别分布的偏移，同时通过对样本代理表示的密度估计实现新类的识别。使用镜像自编码器可实现对两种任务的独立增量适应，从而实现对不断演变概念的持续调整和对未知样本的可靠识别。实验采用多样化的合成表格数据流，其中观察到概念漂移和新颖元素的出现。结果表明，所提方法在当前无监督漂移检测器和新颖分类器中具有竞争力。
引用
@article{arxiv.2605.29834,
title = {Open World Autoencoding Drift Detection with Novel Class Recognition in Tabular Non-stationary Data Streams},
author = {Joanna Komorniczak},
journal= {arXiv preprint arXiv:2605.29834},
year = {2026}
}