RCCDA：资源预算约束下概念漂移的自适应模型更新

部署在现实环境中的机器学习（ML）算法通常面临使模型适应概念漂移的挑战，即任务数据分布随时间变化。当必须在遵守严格资源约束的前提下维持模型性能时，问题变得更加困难。现有解决方案通常依赖于漂移检测方法，这些方法在资源受限的环境中会产生高计算开销，并且无法提供严格的资源使用保证或理论性能保证。为了解决这些缺陷，我们提出了 RCCDA：一种动态模型更新策略，仅利用过去的损失信息和可调的漂移阈值，在确保符合预定义资源约束的同时优化 ML 训练动态。在制定策略时，我们解析地刻画了在概念漂移下任意训练更新决策导致的模型损失演化。将这些结果整合到 Lyapunov drift-plus-penalty 框架中，产生了一种轻量级的贪心最优策略，可证明地限制了更新频率和成本。在四个领域泛化数据集上的实验结果表明，在多种概念漂移调度下，我们的策略在遵守严格资源约束的同时，在推理准确率上优于基线方法，使我们的解决方案独特地适用于实时 ML 部署。