.png){kind=icon}
返回
Multi-Scale Adaptive Convolutional Graph for Multi-Stream Concept Drift
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3676442.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念漂移——以数据分布的演化和不可预测性为特征——是非平稳环境中长期建模的持续性挑战。在多流场景中，该问题因流间动态且常交织的依赖关系而进一步复杂化，传统单流适应方法无法有效处理。为应对这些挑战，我们提出了多尺度自适应卷积图框架MACG，用于多流概念漂移。该框架通过灵活高效的图结构表示流间动态依赖关系，驱动多流间的稳定、长期多步预测任务。在MACG中，对预定义图的常规依赖被直接从历史数据中学习的多尺度自适应卷积图所取代。通过考虑多个时间尺度，该自适应结构能够捕捉更丰富、更复杂的时空依赖关系，从而克服静态图的局限性，实现对未知或演变数据分布的高泛化能力。在线测试期间，模型自适应更新其图结构，并通过识别当前漂移事件与历史漂移模式间的结构相似模式来主动预测漂移。这种联合设计有效缓解了灾难性遗忘，利用了漂移模式的重复性和可学习性。自适应图使模型不仅能重复过去响应，还能泛化可转移模式并动态更新漂移影响区域的依赖关系，确保适应既情境感知又对新变化响应。在四个大规模真实数据集上的广泛实验表明，MACG在预测精度上持续优于当前最先进基线方法。
Keyword:
Concept drift
data streams
graph neural network
drift adaptation
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
Combining Diverse Meta-Features to Accurately Identify Recurring Concept Drift in Data Streams结合不同的元特征，以准确识别数据流中反复出现的概念漂移
PREAI
分享收藏
Real-Time Prediction System of Train Carriage Load Based on Multi-Stream Fuzzy Learning基于多流模糊学习的列车车厢负荷实时预测系统
PREAI
分享收藏分享收藏
查看更多内容