时变倾向得分：弥合过去与现在的鸿沟

机器学习模型在真实世界的部署具有挑战性，因为数据随时间演化。尽管在数据任意演化时任何模型都无法奏效，但如果这些变化存在某种模式，我们或能设计方法来应对。本文探讨数据逐渐演化的情况。我们引入一种时变倾向得分，可检测数据分布的渐变，从而让我们能够选择性地采样过去数据来更新模型——不仅像标准倾向得分那样选取过去相似的数据，还包括过去以相似方式演化的数据。时变倾向得分具有相当的通用性：我们展示了多种实现方式，并在各类问题上进行评估，从经历连续渐变的数据的监督学习（如图像分类问题），到随策略或任务变化而发生数据偏移的强化学习任务（如机器人操控与连续控制）。