SCCM：面向自动漂移检测与适应的流式巡航控制方法
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
论文提出流式巡航控制方法（SCCM），用于在线回归中的概念漂移检测与适应。真实数据分布常随时间演变，忽略漂移会降低预测性能，固定超参数也限制模型在变化条件下的适应性。SCCM 通过更新前的早期响应漂移检测、漂移幅度量化、基于关键绩效指标窗口的阈值设定以抑制局部误报、动态超参数调整与模型重校准，实现自动适应，并采用内存计算设计以支持实时调整。该方法不依赖具体数据分布，可在高维和大规模数据流中基于关键绩效指标进行监测。研究将 SCCM 与四种在线回归模型结合，在覆盖突变、渐进和交替渐变漂移的 18 个合成数据集以及 8 个真实数据集上评估，使用决定系数和均方误差，并与八种检测—适应基线比较，结果显示预测性能提升且漂移处理更有效。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。背景：概念漂移
原文指出，真实世界数据集常出现不断演化的分布，即概念漂移。
忽视漂移的后果
忽视漂移会降低预测性能。
固定超参数的限制
依赖固定超参数会进一步限制模型在变化条件下的适应性。
自适应学习路径
自适应学习通过在线持续更新模型，使模型能增量调整并在数据分布演化时保持有效。
SCCM定位
论文提出流式巡航控制方法（SCCM），作为在线回归中漂移检测与适应的综合框架。
检测与量化
SCCM包含早期响应、更新前漂移检测与漂移幅度量化。
阈值与调参
SCCM使用基于KPI窗口的阈值化以缓解局部误报，并进行动态超参数调优与模型重校准。
实时适应设计
SCCM采用内存内设计，以支持实时适应，不同于通常仅在性能下降后才启动适应的纯反应式方法。
适用范围
SCCM使用动态阈值化且对数据分布保持不可知，支持不同数据流中的KPI监控，包括高维和大规模设置。
实验设置
SCCM与四种在线回归模型集成，在18个覆盖突变、增量与交替渐进漂移的合成数据集及8个真实数据集上评估，使用R2和MSE，并与8个检测器-适应基线比较。
总体结果
结果显示，在所评估的在线回归设置中，预测性能改善且漂移处理有效。