标签
本文提出了一种两阶段集成预测模型，利用XGBoost预测私有云中的CPU工作负载，首先预测客户服务请求，对大多数应用实现了SMAPE低于7%的高精度。
本文提出了一种溯源引导的增量学习框架，用于处理由规则引发的概念漂移，其中目标定义发生变化，并在一个新的基准上进行了评估，以提高效率和准确性。
本文实证研究了在概念漂移、预算和延迟约束下流式机器学习系统的重训练策略。
本文介绍了NOMADD，一种事后方法，通过在标记周期上拟合基础模型并外推压缩后的参数变化，来减少表格模型中的概念漂移。它以极低的训练和推理成本，实现了与Drift-Resilient TabPFN相当的性能。
本文对联邦持续学习（FCL）进行了全面综述，这是一个新兴领域，结合了联邦学习与持续学习，旨在实现分布式与非平稳数据上的终身、自适应且隐私保护的学习。文章提出了一种分类体系，回顾了应用、评估指标及开放挑战。
本文通过在地缘政治动荡定义的三个时期的乌克兰法院判决上微调Transformer模型，研究法律判决预测中的时间概念漂移。发现显示严重的前向退化、反向迁移的不对称性，以及按时间顺序的持续学习有效缓解遗忘，而领域预训练降低退化幅度。
本文研究了增量决策树集成中的分歧漂移检测方法，发现在神经网络中有效的方法在树集成中表现不如基于损失的检测器，原因是模型塑性有限。