Detecting Hope, Hate, and Emotion in Arabic Textual Speech and Multi-modal Memes Using Large Language Models
Computer Science Department, New York University Abu Dhabi（纽约大学阿布扎克分校计算机科学系）
本文研究利用大型语言模型检测阿拉伯语文本和模因中的希望、仇恨及情绪，通过微调GPT-4o-mini和Gemini Flash 2.5在MAHED 2025挑战赛中取得领先性能并获总排名第一。
2025-08-15 cs.AI cs.CL cs.LG
Detecting Rumours with Latency Guarantees using Massive Streaming Data
今天的社交网络不断产生大量的数据流，一旦谣言开始传播，这些数据流就为检测谣言提供了一个有价值的起点。然而，谣言检测面临着严格的延迟界限，这是当代算法无法满足的，因为社交网络发出的高速流数据量很大。因此，在本文中，我们主张尽最大努力的谣言检测，检测大多数谣言迅速，而不是所有的谣言具有很高的延迟。为此，我们结合技术，有效的，基于图形的匹配的谣言模式与有效的甩负荷，丢弃一些输入数据，同时尽量减少损失的准确性。大规模的真实世界的数据集的实验说明了我们的方法在不同的流媒体条件下的运行时性能和检测精度方面的鲁棒性。
2022-05-13 cs.LG cs.SI
Detecting Irregular Patterns in IoT Streaming Data for Fall Detection
Queen’s University（女王大学）；IBM Canada（IBM加拿大）
在实时的流数据中检测模式一直是一个有趣且具有挑战性的数据分析问题。随着各种传感器设备的激增，实时分析来自物联网（IoT）的数据以学习规则和不规则模式已经成为重要的机器学习问题，以实现用于自动通知和决策支持的预测分析。在这项工作中，我们解决了从可穿戴传感器的物联网数据流中学习不规则人类活动模式的问题。我们提出了一个基于加速度计数据的深度神经网络模型，用于检测跌倒，使用Vavoulas等人发布的名为“WARNACT”的在线身体活动监测数据集，准确率达到98.75%。初始模型使用IBM Watson studio开发，然后通过IBM Streams支持的流分析服务转移并部署在IBM Cloud上，用于监测实时物联网数据。我们还提出了实时跌倒检测框架的系统架构，我们打算与mbientlabs可穿戴健康监测传感器一起使用，用于在养老院或康复诊所进行实时的患者监测。
2018-11-16 cs.AI cs.DC cs.LG
A Practical Synthesis of Detecting AI-Generated Textual, Visual, and Audio Content
AI Labs, King/Microsoft R\&D, CSPaper Stockholm, Sweden
本文综述AI生成文本、图像与音频的检测与缓解方法，涵盖统计分析、模型流水线、水印指纹及集成技术，并结合多领域案例讨论鲁棒性与人在环验证，为应对开放挑战提供指南。
2025-09-26 cs.CL cs.LG
Uncovering Drift in Textual Data: An Unsupervised Method for Detecting and Mitigating Drift in Machine Learning Models
Amazon（亚马逊）
提出一种无监督两步漂移检测方法，利用MMD距离比较生产与训练数据分布并定位漂移根因，用高漂移样本重训模型以提升在线体验指标。
2023-09-07 cs.AI cs.CL cs.LG
SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning
KAIST（韩国科学技术院）
提出自监督框架SLADE，通过训练神经网络最小化节点表示漂移并从短期模式生成长期模式，在无标签边流中实现常数时间的动态异常检测，性能优于多种有监督方法。
2024-07-25 cs.LG cs.SI
COVID-19 Infodemic. Understanding content features in detecting fake news using a machine learning approach
Faculty of Computer Science & Information Technology, Universiti Malaya（马来亚大学计算机科学与信息技术学院）；LIGM, Univ Gustave Eiffel, CNRS（法国埃菲尔大学LIGM研究所，CNRS）
本研究通过机器学习方法探讨内容特征在虚假新闻检测中的应用，发现文本和语言特征单独使用能提升检测效果，但结合使用未显著提升性能。
2026-05-07 cs.AI cs.CL cs.LG
Methods for Generating Drift in Text Streams
Instituto Federal de Santa Catarina (IFSC)（圣卡塔琳娜联邦学院（IFSC））；Pontifícia Universidade Católica do Paraná (PUCPR)（巴拉那天主教大学（PUCPR））；École de Technologie Supérieure (ÉTS), Université du Québec（魁北克大学高等技术学院（ÉTS））；Universidade Estadual de Ponta Grossa (UEPG)（庞塔格罗萨州立大学（UEPG））
本文提出四种文本漂移生成方法，用于生成带标记漂移的基准数据集，并在Yelp和Airbnb数据上验证，增量SVM恢复性能最快。
2024-03-18 cs.CL cs.IR cs.LG
An Empirical Study of Uncertainty Estimation Techniques for Detecting Drift in Data Streams
TU Darmstadt（达姆施塔特工业大学）
本文实证评估了在七个真实数据集上结合ADWIN检测器使用五种不确定性估计方法替代错误率来检测数据流概念漂移的效果，发现SWAG校准更优但各方法整体检测准确率差异不大，为安全关键应用提供了实用见解。
2023-11-22 cs.LG
Linear probes rely on textual evidence: Results from leakage mitigation studies in language models
研究发现线性探针在依赖文本证据检测行为时性能下降，表明其在非表层模式检测中可能不够稳健。
2026-03-09 cs.AI cs.CL cs.LG
Detecting Domain Shifts in Myoelectric Activations: Challenges and Opportunities in Stream Learning
School of Engineering（工程学院）；Computer Science（计算机科学）；Victoria University of Wellington（惠灵顿维多利亚大学）；Artificial Intelligence Institute（人工智能研究所）；University of Waikato（怀卡托大学）；Department of Computer Science（计算机科学系）；Big Data at Data, Intelligence and Graphs (DIG) LTCI（数据、智能与图谱（DIG）LTCI）
本文针对肌电信号非平稳导致的域偏移检测难题，基于 Ninapro DB6 结合 KPCA 评估多种流式漂移检测方法，指出其局限并展望稳定 EMG 解码的研究方向。
2025-08-29 cs.LG cs.RO
Detecting and Explaining Causes From Text For a Time Series Event
Language Technology Institute（语言技术研究所）；Carnegie Mellon University（卡内基梅隆大学）
解释事件的潜在原因或影响是一项具有挑战性但有价值的任务。我们定义了一个新的问题，产生一个时间序列事件的解释（1）搜索的原因和影响的时间序列与文本数据的关系和（2）构建它们之间的连接链，以产生一个解释。为了从文本中检测因果特征，我们提出了一种新的方法，基于从文本中提取的特征（如N-gram，主题，情感及其组成）之间的时间序列的Granger因果关系。因果实体序列的生成需要具有高效推理的常识因果知识库。为了确保良好的可解释性和适当的词汇使用，我们结合了符号和神经表征，使用在常识因果元组上训练的神经推理算法来预测下一个原因步骤。我们的定量和人工分析表明，我们的方法成功地提取了有意义的因果关系的时间序列与文本特征之间的实证证据，并产生适当的解释。
2017-07-27 cs.AI cs.CL cs.LG
Response to LiveBot: Generating Live Video Comments Based on Visual and Textual Contexts
ADAPT Centre（ADAPT中心）；Trinity College Dublin（都柏林圣三一学院）；Dublin City University（都柏林城市大学）
视频直播评论系统是在线视频网站的一个新兴功能。最近，中国视频分享平台Bilibili推广了一种新颖的字幕系统，用户评论显示为覆盖在视频播放屏幕上的移动字幕流，并实时广播给所有观众。LiveBot是最近推出的一个新的自动实时视频评论（ALVC）应用程序。这使得能够从现有视频流和现有观众评论两者自动生成实况视频评论。在试图重现Livebot原始论文中报告的基线结果时，我们发现使用项目代码库的重现结果与论文中报告的数字之间存在差异。对这种情况的进一步研究表明，这可能是由项目代码中的一些小问题引起的，包括训练集和测试集之间的不明显的重叠。在本文中，我们详细研究了这些差异，并提出了一个替代的基线实现作为参考，在这一领域的其他研究人员。
2020-06-04 cs.CL cs.LG
TexTrolls: Identifying Russian Trolls on Twitter from a Textual Perspective
Universitat Politècnica de València（瓦伦西亚理工大学）；CNRS（法国国家科学研究中心）；Université Paris 13（巴黎第十三大学）
在线新出现的可疑用户，通常被称为巨魔，是仇恨，虚假和欺骗性在线信息的主要来源之一。一些议程正在利用这些有害的用户来传播煽动性的推文，结果，观众被欺骗了。检测此类账户的挑战在于，它们隐藏了自己的身份，这使得它们在社交媒体中伪装起来，增加了仅使用其社交网络信息识别它们的难度。因此，在本文中，我们提出了一种基于文本的方法来检测在线巨魔，例如在美国2016年总统选举期间发现的巨魔。我们的方法主要是基于文本特征，利用主题信息，和分析功能，以确定帐户从他们的写作推文的方式。我们推导出的主题信息，在一个无监督的方式，我们表明，将它们与文本特征，增强了所提出的模型的性能。此外，我们发现，建议的剖析功能执行最好的比较文本功能。
2019-10-03 cs.CL cs.LG cs.SI
Detecting Functional Memorization in Code Language Models
Meta；Imperial College London（伦敦帝国学院）
研究代码语言模型的功能记忆现象，通过反事实设置对比暴露目标代码的模型与未暴露的参考模型，使用文本和功能相似性度量，发现功能记忆超出文本重叠的检测范围。
2026-08-24 cs.CL cs.CR cs.LG
Deciphering Textual Authenticity: A Generalized Strategy through the Lens of Large Language Semantics for Detecting Human vs. Machine-Generated Text
The University of Texas at San Antonio（圣安东尼奥德克萨斯大学）；Secure AI and Autonomy Lab（安全人工智能与自主实验室）
针对真实场景中多生成器、多领域机器文本检测泛化不足的问题，提出 T5LLMCipher，融合预训练 T5 编码器与 LLM 嵌入子聚类，显著提升跨域 F1 并准确识别生成器。
2024-04-03 cs.CL cs.LG
Detecting weak changes in dynamic events over networks
Georgia Institute of Technology（佐治亚理工学院）
大量的联网流事件数据在各种各样的应用中变得越来越可用，例如社会网络分析、互联网流量监控和医疗保健分析。流事件数据是在连续时间内发生的离散观测，两个事件之间的精确时间间隔携带了大量关于底层系统动态的信息。如何使用这些流事件数据及时检测这些动态系统中的变化？在本文中，我们提出了一种新的变点检测框架，多维事件数据在网络上。我们投到顺序假设检验的问题，并推导出点过程的似然比，这是有效地计算通过EM样算法，是无参数的，可以计算在一个分布式的方式。我们得到了一个高度准确的理论表征的虚警率，并表明，它可以实现弱信号检测通过聚集本地统计随着时间和网络。最后，我们证明了我们的算法的数值例子和真实世界的数据集从Twitter和Memetracker的良好性能。
2016-09-16 cs.LG stat.ML
Down the Rabbit Hole: Detecting Online Extremism, Radicalisation, and Politicised Hate Speech
University of Waikato（怀卡托大学）；ASRC Federal（ASRC联邦公司）
社交媒体是现代人的数字声音，可以投射和参与新的想法，动员社区$\unicode{x2013}$，这是一种与极端分子共享的力量。鉴于用于极端主义、激进主义和仇恨言论（ERH）检测的未公开的内容调节算法的社会风险，负责任的软件工程必须了解谁、什么、何时、何地以及为什么需要这些模型来保护用户安全和自由表达。因此，我们提出并研究了ERH上下文挖掘的独特研究领域，以统一不相交的研究。具体来说，我们评估从社会技术定义的建设和数据集收集策略的技术算法设计和性能的开始到结束的设计过程。我们的2015-2021年51项研究系统性文献综述（SLR）首次对文本，网络和视觉方法进行交叉检查，以检测极端主义联系，仇恨内容以及对团体和运动的激进化。我们确定共识驱动的ERH定义，并提出解决方案，现有的意识形态和地理偏见，特别是由于缺乏在大洋洲/澳大拉西亚的研究。我们对自然语言处理、社区发现和视觉-文本模型的混合调查证明了基于文本转换器的算法的主要性能。最后，我们为ERH上下文挖掘研究人员提出了重要的建议，并为研究人员、行业和政府提出了一个吸收路线图，以实现更安全的网络空间。
2023-01-27 cs.AI cs.CL cs.CY
TSGuard: A Real-Time Framework for Detecting and Imputing Missing Data in Streaming Time Series
University of Luxembourg（卢森堡大学）；Hassiba Benbouali University of Chlef（谢莱夫哈西巴·本布阿里大学）；Université Paris Cité（巴黎西岱大学）；École Supérieure d’Informatique（高等计算机学院）
TSGuard是一个实时框架，通过轻量级图感知时间填补模型与约束感知验证相结合，在流式时间序列中检测并填补缺失数据，支持保留或替换决策，并提供交互式解释。
2026-10-05 cs.DB cs.HC cs.IR
Identifying Predictions That Influence the Future: Detecting Performative Concept Drift in Data Streams
Utrecht University（乌得勒支大学）
研究流学习中模型预测引发的概念漂移（执行性漂移），提出CB-PDD检测方法，在合成与半合成数据集上验证其高效性、低误检率及对内在漂移的弹性。
2025-04-01 cs.CR cs.LG stat.ML
Detecting Signs of Model Change with Continuous Model Selection Based on Descriptive Dimensionality
The University of Tokyo（东京大学）
我们解决的问题，检测背后的数据流模型的变化。该模型是指整数值的结构信息，如参数模型中的自由参数的数量。具体来说，我们关心的问题是，我们如何能够在模型变化实现之前检测到它们的迹象。为此，我们采用{ \em连续模型选择}的基础上的概念{ \em描述维数}~（Ddim）。它是一种实值模型维度，旨在量化模型过渡期的模型维度。连续模型选择是根据给定数据确定Ddim的实值模型维数。我们提出了一种新的方法，通过跟踪数据流中Ddim的上升来检测模型变化的迹象。我们应用这种方法来检测高斯混合模型和自回归模型中的顺序的集群的数量的变化的迹象。与合成和真实的数据集，我们经验证明了它的有效性，表明它是能够很好地可视化如何快速模型的维度在过渡期内移动，并提出预警信号的模型变化早于他们检测到现有的方法。
2023-02-23 cs.LG stat.ML
Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture
Verily Health Inc（Verily健康公司）
本文提出双流记忆与协调架构，用于检测健康教练代理中的临床差异，通过验证患者报告与临床记录以确保安全部署。
2026-04-29 cs.AI cs.CL cs.LG
Spatial-Temporal-Textual Point Processes for Crime Linkage Detection
Georgia Institute of Technology（佐治亚理工学院）
犯罪产生于人类行为和情况的复杂相互作用。犯罪事件之间的联系非常复杂。在一系列事件中检测犯罪联系是一项极具挑战性的任务，因为我们只有有限的信息，包括文本描述，事件时间和地点。实际上，标签很少。我们提出了一个新的{ \it时空文本}数据的统计建模框架，并展示了其在犯罪关联检测中的用途。我们通过多变量标记时空Hawkes过程来捕捉犯罪事件的联系，并将自由文本的嵌入向量作为事件的{ \it标记}，灵感来自{ \it作案手法}（M.O.）犯罪分析。使用真实数据的数值结果表明，我们的方法的良好性能，以及揭示有趣的模式，在犯罪数据：空间，时间和文本信息的联合建模，提高犯罪联动检测相比，国家的最先进的，和学习的空间依赖数据可以是有用的警察行动。
2021-08-24 cs.LG stat.ML
MIDAS: Microcluster-Based Detector of Anomalies in Edge Streams
National University of Singapore（新加坡国立大学）；Carnegie Mellon University（卡内基梅隆大学）；KAIST（韩国科学技术院）
给定来自动态图的图边缘流，我们如何以在线方式为边缘分配异常分数，以检测异常行为，使用恒定的时间和内存？现有的方法旨在检测个别令人惊讶的边缘。在这项工作中，我们提出了MIDAS，它专注于检测微簇异常，或突然到达的可疑相似的边缘组，如锁步行为，包括拒绝服务攻击的网络流量数据。MIDAS具有以下特性：（a）它检测微簇异常，同时提供关于其假阳性概率的理论保证;（b）它是在线的，因此在恒定时间和恒定内存中处理每个边缘，并且处理数据的速度比最新方法快162-644倍;（c）它提供了比现有技术方法高42%-48%的准确性（就AUC而言）。
2020-08-23 cs.AI cs.LG
RATE: Overcoming Noise and Sparsity of Textual Features in Real-Time Location Estimation
Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出RATE算法，通过主题建模刻画地理与词汇变化并结合Twitter streaming API提取的额外特征，克服推文文本的噪声与稀疏性问题，在区域分类精度和经纬度回归误差上均优于基准方法。
2021-11-12 cs.CL cs.LG
Detecting Suspicious Events in Fast Information Flows
我们描述了一个计算羽毛轻，直观，但可证明有效的算法，名为HALFADO。HALFADO的设计目的是根据相对较少的人类判断实例，在复杂条目的高频流中检测可疑事件。操作足够精确的检测系统对于现代数字社会许多不同领域的{ \em assisting}人类专家团队至关重要。这些系统本身具有深远的规范作用，公众了解这种技术的运作方式应是一项人权。在概念层面上，本方法扩展了一个最经典的学习算法的分类，继承其理论属性。然而，它以半监督的方式工作，将人类和计算智能结合在一起。在实践层面上，该算法超越了现有的方法（专家系统），通过管理和提高其性能到一个单一的全球检测器。我们说明了HALFADO在两个具有挑战性的应用中的功效：（1）用于检测从社交媒体平台收集的文本消息流中的{ \em仇恨言论}消息，以及（2）用于金融科技中的交易监控系统（TMS）检测金融交易流中的欺诈交易。该算法表明，与流行的观点相反，机器学习的高级方法既不需要高级的计算能力，也不需要昂贵的注释工作。
2021-01-07 cs.AI cs.LG
Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep
Rice University（里士大学）；Microsoft Research（微软研究院）
本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。
2026-06-23 cs.AI cs.HC cs.LG
Named Entity Recognition for Monitoring Plant Health Threats in Tweets: a ChouBERT Approach
Institut Supérieur d’Electronique de Paris（巴黎高等电子学院）；University of Reims Champagne-Ardenne（兰斯香槟-阿登大学）
本文针对农业文本数据缺乏标注的问题，进一步研究法语预训练模型ChouBERT在小规模标注集上进行词元级标注任务的能力，以从Twitter等社交媒体中提取植物健康威胁信息。
2023-10-19 cs.CL cs.LG
Adaptive Bernstein Change Detector for High-Dimensional Data Streams
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出ABCD方法，通过编码器-解码器模型和伯恩斯坦不等式在高维数据流中快速检测变化及其子空间和严重程度，实验显示F1分数平均比最佳竞争者高20%。
2024-01-15 cs.LG
Content-Based Textual File Type Detection at Scale
University of Bologna（博洛尼亚大学）；Université de Paris（巴黎大学）；Inria（法国国家信息与自动化研究所）
程序设计语言检测是大型源代码库分析中的一个常见需求。许多现有的工具都支持它，这些工具依赖于几个功能，尤其是文件扩展名来确定文件类型。我们认为，准确地检测软件代码库中常见的文件类型的问题，仅仅基于文本文件内容。这样做有助于对缺少文件扩展名的源代码进行分类（例如，发布在Web上的代码片段或可执行脚本），以避免对使用错误或不常见的文件扩展名记录的源代码进行错误分类，并对源代码文件的内在可识别性提供一些帮助。我们提出了一个简单的模型，（a）使用一个语言无关的文字tokenizer文本文件，（b）在1-/2-gram组令牌，（c）建立基于N-gram频率的特征向量，（d）使用一个简单的全连接神经网络作为分类器。作为训练集，我们使用从GitHub存储库中提取的文本文件，至少有1000颗星，使用现有的文件扩展名作为基础事实。尽管它的简单性，建议的模型达到85%，在我们的实验中识别类的数量相对较高（超过130个文件类型）。
2021-01-21 cs.LG cs.SE
IITK-RSA at SemEval-2020 Task 5: Detecting Counterfactuals
Indian Institute of Technology Kanpur (IITK)（印度理工学院坎普尔分校）
本文介绍了我们在解决SemEval-2020任务5方面所做的努力。这项任务涉及到检测一类被称为反事实的文本表达，并将它们分为其组成元素。反事实陈述描述没有或不可能发生的事件以及这些事件可能产生的影响。虽然反事实推理对人类来说是很自然的，但由于各种语言上的微妙之处，人工智能很难理解这些表达。我们最终提交的方法是针对第一个子任务的各种微调的基于transformer和基于CNN的模型的集合，以及针对第二个子任务的具有依赖树信息的Transformer模型。我们在总排行榜上分别排名第4和第9。我们还探索了其他各种方法，包括使用经典方法，其他神经结构和纳入不同的语言特征。
2020-07-21 cs.AI cs.CL cs.LG
Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction
University of Oxford（牛津大学）
提出首个跨EHR表示方法的系统性基准测试，在MIMIC-IV和EHRSHOT数据集上比较多变量时间序列、事件流和文本流，发现事件流模型表现最佳，且特征选择策略需根据临床环境调整。
2025-10-10 cs.AI cs.DB cs.LG
Unsupervised Behavior Change Detection in Multidimensional Data Streams for Maritime Traffic Monitoring
Universidade Federal de Santa Catarina (UFSC)（圣卡塔琳娜联邦大学（UFSC））；Dalhousie University（达尔豪斯大学）
全球海上交通的增长和自动识别系统的发展，导致了预防船舶事故和发现非法活动的监测系统的进步。在这项工作中，我们描述了机器学习的船舶行为变化和事件检测的研究差距和挑战，考虑到实时数据流和海事监测领域的几个限制。作为一个出发点，我们研究如何无监督和半监督的变化检测方法可以用于识别船舶行为的变化，旨在检测和标记不寻常的事件。
2019-08-14 cs.AI cs.LG stat.ML
Proximity-Based Active Learning on Streaming Data: A Personalized Eating Moment Recognition
Washington State University（华盛顿州立大学）
检测何时进食是自动饮食监测、药物依从性评估和饮食相关健康干预的重要一步。可穿戴技术通过利用机器学习算法来检测进食时刻，从而在设计不受干扰的饮食监测解决方案方面发挥着核心作用。虽然已经对开发活动识别和进食时刻检测算法进行了大量研究，但是当用一个用户训练的模型被新用户使用时，检测算法的性能大幅下降。为了促进个性化模型的开发，我们提出了PALS，基于邻近的流数据主动学习，一种新的基于邻近的模型，用于识别进食姿势，其目标是显着减少对新用户标记数据的需求。特别是，我们提出了一个优化问题，执行主动学习有限的查询预算下，利用未标记的数据。我们对受控和非受控设置中收集的数据进行了广泛的分析，结果表明，对于10到60个查询的预算，PLAS的F分数范围为22%到39%。此外，与最先进的方法相比，离线PALS，平均而言，达到40%的高召回率和12%的高f-score在检测吃的手势。
2020-03-29 cs.CV cs.LG
Privately detecting changes in unknown distributions
Georgia Institute of Technology（佐治亚理工学院）；Santa Clara University（圣克拉拉大学）；Stanford Graduate School of Business（斯坦福商学院）；University of Richmond（里士满大学）；Simons Institute for the Theory of Computing（西蒙斯计算理论研究所）
变点检测问题旨在识别数据流中的分布变化。变点检测工具越来越多地应用于数据可能高度敏感且需要正式隐私保证的环境中，例如根据医院记录识别疾病爆发，或物联网设备检测家中活动。差分隐私已经成为一种强大的技术，可以在进行数据分析的同时防止个人信息泄露。许多以前的工作变点检测-包括唯一的私人算法，这个问题-需要完整的知识的变化前和变化后的分布。然而，这种假设对于许多感兴趣的实际应用是不现实的。这项工作的差异私人算法解决变点问题时，数据分布是未知的。此外，数据可以从随时间平滑变化的分布中采样，而不是固定的变化前和变化后分布。我们应用我们的算法来检测这些数据流的线性趋势的变化。最后，我们还提供了实验结果，以经验验证我们的算法的性能。
2020-02-14 cs.DS cs.LG math.ST
