数据流回归的鲁棒异常检测与低延迟概念漂移适应：双通道架构
统计方法学
2025-12-16 v1 机器学习
摘要
异常检测和概念漂移检测 represent two challenges in data analysis. 大多数研究单独处理这两个问题。然而，在回归问题中进行联合检测机制仍属未充分探索的领域，其中连续输出空间的特性使得区分漂移与异常异常具备天然的挑战性。为此，我们提出一种用于联合异常和概念漂移检测的新型鲁棒回归框架。具体而言，我们引入一种双通道决策过程，通过组织预测残差形成两个耦合的逻辑流程：一个快速响应通道用于过滤点异常，一个深入分析通道用于诊断漂移。我们进一步开发了指数加权移动绝对偏差可区分类型检测器(EWMAD-DT)，通过动态阈值实现对突发型和渐进型漂移的自主区分。在合成数据和真实数据集上的全面实验表明，增强了EWMAD-DT的统一框架在点异常和概念漂移共存的情况下仍表现出优异的检测性能。
引用
@article{arxiv.2512.12289,
title = {Robust Outlier Detection and Low-Latency Concept Drift Adaptation for Data Stream Regression: A Dual-Channel Architecture},
author = {Bingbing Wang and Shengyan Sun and Jiaqi Wang and Yu Tang},
journal= {arXiv preprint arXiv:2512.12289},
year = {2025}
}