Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling
National Institute of Technology, Rourkela（国家理工学院罗尔克拉分校）
本文针对恶意软件分类中的概念漂移问题，提出遗传算法增强的深度学习框架，通过变异操作和适应度评估持续优化模型，实验证明其分类性能和适应性优于传统静态模型。
2025-03-08 cs.AI cs.CR cs.LG
Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets
KIT（卡尔斯鲁厄理工学院）
机器学习模型如今在商业和工业中的许多应用中发挥着至关重要的作用。然而，模型只有在部署到生产环境中时才开始增加价值。部署模型的一个挑战是随着时间的推移而改变数据的影响，这通常用术语概念漂移来描述。由于其性质，概念漂移会严重影响机器学习系统的预测性能。在这项工作中，我们分析了在现实世界的数据集的背景下的概念漂移的影响。为了有效的概念漂移处理，我们引入了切换方案，它结合了重新训练和更新的机器学习模型的两个原则。此外，我们系统地分析了现有的定期适应以及触发适应策略。切换方案是在纽约市出租车数据上实例化的，这在很大程度上受到随时间变化的需求模式的影响。我们可以证明，切换方案优于所有其他基线，并提供有前途的预测结果。
2020-11-05 cs.LG
Human-in-the-loop Handling of Knowledge Drift
University of Trento（特伦托大学）；Jilin University（吉林大学）
我们介绍和研究知识漂移（KD），一个复杂的形式的漂移，发生在层次分类。在KD下，概念的词汇表，它们的个体分布以及它们之间的is-a关系都可以随着时间而改变。主要的挑战是，由于地面实况概念层次结构是不可观察的，因此很难区分不同形式的KD。例如，在两个概念之间引入一个新的is-a关系可能会与对这些概念的单独更改相混淆，但它远非等价。未能识别正确的KD类型会损害分类器使用的概念层次结构，导致系统预测错误。我们的主要观察结果是，在许多人在环应用程序（如智能个人助理）中，用户知道最近是否发生了漂移以及发生了什么样的漂移。出于这一动机，我们介绍TRCKD，一种新的方法，结合了自动漂移检测和适应与互动阶段，其中用户被要求消除不同种类的KD之间的歧义。此外，TRCKD实施了一项简单但有效的知识感知适应战略。我们的模拟表明，通常对用户的少量查询就足以大幅提高合成数据和实际数据的预测性能。
2021-03-27 cs.AI cs.LG
Recurring Concept Meta-learning for Evolving Data Streams
University of Auckland（奥克兰大学）；Telecom ParisTech（巴黎高等电信学院）
当在数据流中的分类期间检测到概念漂移时，常见的补救措施是重新训练框架的分类器。然而，如果分类器已经很好地学习了当前概念，则这会丢失有用的信息，并且该概念将在未来再次出现。一些框架保留并重用分类器，但选择适当的分类器来重用可能很耗时。这些框架很少能与最先进的集成方法相匹配。对于许多数据流任务来说，速度非常重要：对于依赖时间的应用程序，需要快速、准确的框架。我们提出了增强概念分析框架（ECPF），其目的是识别重复出现的概念并重用之前训练的分类器，从而在漂移后立即实现准确的分类。ECPF的新颖之处在于它如何使用新分类器和现有分类器之间对新数据的分类相似性，以快速识别最佳分类器进行重用。它总是训练一个新的分类器和一个重用的分类器，并保留更准确的分类器时，概念漂移发生。最后，它创建了一个重复使用的分类器的副本，所以一个非常适合重复出现的概念的分类器不会受到在不同概念上训练的影响。在我们的实验中，ECPF分类显着更准确地比一个国家的最先进的分类器重用框架（多样性池）和国家的最先进的集成技术（自适应随机森林）的合成数据集与重复出现的概念。它对真实世界数据集的分类速度比多样性池快五倍，比自适应随机森林快六倍，并且准确性不比任何一个都低。
2019-05-21 cs.LG stat.ML
Random Forest Based Approach for Concept Drift Handling
Energy Systems Institute SB RAS（俄罗斯科学院西伯利亚分院能源系统研究所）；Irkutsk State University（伊尔库茨克国立大学）；Queens University Belfast（贝尔法斯特女王大学）
概念漂移在智能电网分析中具有潜力，因为消费者的社会经济行为不受物理定律的约束。同样，也有应用在风力发电预测。提出了一种基于概念漂移的随机森林算法的决策树集成分类方法。基于精度加权集成（AWE）方法的思想，采用加权多数表决集成规则。在我们的情况下，使用随机森林的基本学习者准确性和内在接近度度量为每个样本评估计算基本学习者权重。我们的算法利用时间加权的样本和合奏修剪作为一种遗忘策略。我们目前的实证比较结果，我们的方法与原始的随机森林与合并的“替换松散”的遗忘和其他国家的最先进的概念drfit分类器，如AWE 2。
2016-02-14 cs.AI cs.LG math.ST
Efficient Concept Drift Handling for Batch Android Malware Detection Models
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）
针对 Android 恶意软件检测中静态模型易过时的问题，本研究分析了重训练频率和数据选择对检测器的影响，通过概念漂移检测和主动学习采样策略，实现了高效重训练并维持了模型在变化环境中的性能。
2023-09-18 cs.AI cs.CR cs.LG
Attentive Federated Learning for Concept Drift in Distributed 5G Edge Networks
McGill University（麦吉尔大学）
预计机器学习（ML）将在5G边缘计算中发挥重要作用。各种研究表明，ML非常适合优化边缘计算系统，因为边缘会发生快速的移动性和应用引起的变化。为了让ML提供最佳解决方案，不断训练ML模型以包含不断变化的场景是很重要的。由变化的场景引起的数据分布的突然变化（例如，5G基站故障）被称为概念漂移，是持续学习的主要挑战。当漂移发生时，ML模型可以呈现高出错率，并且只有在模型学习分布之后，错误才减小。这个问题在分布式环境中更加突出，其中多个ML模型用于不同的异构数据集，最终模型需要捕获所有概念漂移。在本文中，我们表明，在联邦学习（FL）中使用注意力是处理概念漂移的有效方法。我们使用5G网络流量数据集来模拟概念漂移并测试各种场景。结果表明，注意力能显著提高飞行器概念漂移的处理能力。
2021-11-14 cs.DC cs.LG cs.NI
Reuse and Adaptation for Entity Resolution through Transfer Learning
Qatar Computing Research Institute, HBKU（HBKU卡塔尔计算研究所）；Nanyang Technological University（南洋理工大学）
实体解析是数据集成中的基本问题之一，基于机器学习的分类器通常可以提供最先进的结果。相当多的人力投入到特征工程和训练数据创建中。本文研究了一个新的问题：给定一个用于ER的数据集D_T，其训练数据有限或没有训练数据，是否有可能通过重用和适应来自相同或相关领域的数据集D_S的训练数据，在D_T上训练出一个好的ML分类器？我们的主要贡献包括：（1）一个分布式表示为基础的方法来编码每个元组从不同的数据集到一个标准的特征空间;（2）识别常见的情况下，重用的训练数据可以是有益的;和（3）五个算法处理上述情况。我们对来自5个不同领域（出版物，电影，歌曲，餐馆和书籍）的12个数据集进行了全面的实验。我们的实验表明，我们的算法提供了显着的好处，如提供优良的性能为固定的训练数据大小。
2018-09-28 cs.DB cs.LG stat.ML
Diverse Instances-Weighting Ensemble based on Region Drift Disagreement for Concept Drift Adaptation
概念漂移是指底层数据分布的变化，是数据流演化的固有属性。具有动态分类器的包围学习已被证明是处理概念漂移的有效方法。然而，最好的方式来创建和保持集成多样性与不断变化的流仍然是一个具有挑战性的问题。与通过输入、输出或分类器参数估计多样性相反，我们提出了一种基于集合成员是否同意区域分布变化概率的多样性测量。在我们的方法中，区域分布变化的估计被用作实例权重。通过不同的方案构造不同的区域集合将导致不同的漂移估计结果，从而产生多样性。选择最不同意的分类器以最大化多样性。因此，基于实例的集成学习算法，称为不同的实例加权集成（DiwE），开发解决数据流分类问题的概念漂移。各种合成和真实世界的数据流基准的评估表明，该算法的有效性和优势。
2020-04-13 cs.LG stat.ML
Tackling Virtual and Real Concept Drifts: An Adaptive Gaussian Mixture Model
Centro de Informática, Universidade Federal de Pernambuco（伯南布哥联邦大学信息中心）；School of Computer Science, University of Birmingham（伯明翰大学计算机学院）
现实世界的应用一直在处理大量的数据，这些数据随着时间的推移而到达，并且通常呈现出其潜在的联合概率分布的变化，即，概念漂移概念漂移可以细分为两种类型：影响无条件概率分布p（x）的虚漂移和影响条件概率分布p（y）的实漂移|x）。现有的工作集中在真正的漂移。然而，应对真实漂移的策略可能不是最适合处理虚拟漂移的策略，因为真实的类边界保持不变。我们提供了第一个深入分析的虚拟和真实的漂移对分类器的适用性的影响之间的差异。我们提出了一种方法来处理这两个漂移称为在线高斯混合模型与噪声滤波器处理虚拟和真实的概念漂移（OGMMF-VRD）。在7个合成数据集和3个真实数据集上的实验表明，OGMMF-VRD在平均准确率、G均值和运行时间方面均优于现有方法。此外，它的准确性随着时间的推移遭受较少的性能下降，在漂移的存在。
2021-02-11 cs.AI cs.LG
Learning under Concept Drift: A Review
概念漂移描述了流数据的底层分布随时间的不可预见的变化。概念漂移研究涉及漂移检测、理解和适应的方法和技术的发展。数据分析表明，如果不解决概念漂移问题，那么概念漂移环境中的机器学习将导致较差的学习结果。为了帮助研究人员确定哪些研究主题是重要的，以及如何在数据分析任务中应用相关技术，有必要对概念漂移领域的当前研究进展和趋势进行高质量，有指导意义的回顾。此外，由于近年来概念漂移的快速发展，概念漂移下的学习方法已经变得非常系统，揭示了一个在文献中没有提到的框架。本文回顾了130多篇概念漂移相关研究的文献，分析了概念漂移研究方法和技术的最新进展，建立了概念漂移下的学习框架，包括概念漂移检测、概念漂移理解和概念漂移适应三个主要部分。本文列出并讨论了10个流行的合成数据集和14个公开可用的基准数据集，用于评估针对处理概念漂移的学习算法的性能。此外，概念漂移相关的研究方向涵盖和讨论。通过提供最先进的知识，这项调查将直接支持研究人员在他们的理解在概念漂移下的学习领域的研究进展。
2020-04-13 cs.LG stat.ML
Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting
WalmartLabs（沃尔玛实验室）
时间序列预测是许多实际应用的核心，如商业销售预测，农业降雨预测等。虽然这个问题已经被广泛研究多年，它仍然被认为是一个具有挑战性的问题，由于时间序列数据的复杂性和不断变化的性质。提出的时间序列预测的典型方法建模数据观测之间的线性或非线性相关性。然而，人们普遍认为，没有一种方法对所有类型的时间序列数据都是普遍有效的。人们已经尝试使用异构和独立的预测模型的动态和加权组合，它已被发现是一个很有前途的方向来解决这个问题。该方法基于不同的预测器对不同分布的数据具有不同的专业化和不同的性能的假设，并且相应地将权重动态地分配给多个预测器。然而，在许多实际的时间序列数据集中，数据的分布是随时间缓慢演化的。我们建议采用一种基于重新加权的方法来调整分配给各种预测的权重，以考虑这种分布漂移。对真实世界和合成时间序列进行了详尽的测试。实验结果表明，该方法的竞争力相比，国家的最先进的方法相结合的预测和处理漂移。
2020-03-16 cs.AI cs.LG stat.ML
A Systematic Study of Online Class Imbalance Learning with Concept Drift
The University of Birmingham（伯明翰大学）；University of Leicester（莱斯特大学）
作为一个新兴的研究课题，在线班级不平衡学习往往结合了班级不平衡和概念漂移的挑战。它处理具有非常偏斜的类分布的数据流，其中可能发生概念漂移。它最近得到了越来越多的研究关注，但是，很少有工作解决的组合问题，类不平衡和概念漂移共存。作为第一个系统的研究处理类不平衡数据流中的概念漂移，本文首先提供了一个全面的回顾，目前在该领域的研究进展，包括当前的研究热点和开放的挑战。然后，进行了深入的实验研究，目的是了解如何最好地克服概念漂移的在线学习类不平衡。在此基础上，提出了一个有效的算法开发的一般准则。
2017-03-20 cs.LG
Unsupervised Concept Drift Detection from Deep Learning Representations in Real-time
针对无标签场景下概念漂移检测准确性和实时性不足的问题，提出基于深度学习表征分布距离的无监督框架DriftLens，在多数用例中检测性能更优、速度更快，并能刻画漂移影响。
2025-07-24 cs.AI cs.LG
CORAL: Concept Drift Representation Learning for Co-evolving Time-series
University of Shherbrooke（谢布鲁克大学）
本文提出 CORAL 方法，将时间序列建模为演化生态系统，通过核诱导自表示学习生成表示矩阵以识别和适应概念漂移，提升了协演化时间序列分析的适应性与准确性。
2025-01-31 cs.AI cs.LG
SCCM : Stream Cruise Control Method for Automated Drift Detection and Adaptation
University of North Texas（北德克萨斯大学）
SCCM提出一种流巡航控制方法，通过早期漂移检测、动态阈值和模型重校准，实现在线回归中的自动漂移适应，在合成与真实数据上优于基线。
2026-09-10 cs.AI cs.LG
Online Feature Screening for Data Streams with Concept Drift
Florida State University（佛罗里达州立大学）
筛选特征选择方法通常用作预处理步骤，用于在训练步骤之前减少变量的数量。传统的筛选方法只关注于处理完整的高维数据集。现代数据集不仅具有更高的维数和更大的样本量，而且具有流输入、稀疏性和概念漂移等特性。因此近年来出现了大量的在线特征选择方法来处理这类问题。在线筛选方法是在线特征选择方法的一种。我们在本研究中提出的方法能够处理上述三种情况。我们的研究重点是分类数据集。我们的实验表明，所提出的方法可以产生相同的特征重要性，他们的离线版本，更快的速度和更少的存储消耗。此外，实验结果表明，在具有概念漂移特性的数据流上，集成模型自适应的在线筛选方法比没有模型自适应的方法具有更高的真实特征检测率。在两个潜在具有概念漂移性质的大型真实数据集中，具有模型自适应的在线筛选方法在节省计算时间和空间、降低模型复杂度或提高预测精度方面显示出优势。
2021-04-07 cs.LG stat.ML
Hybrid Forest: A Concept Drift Aware Data Stream Mining Algorithm
Amirkabir University of Technology（阿米尔卡比尔理工大学）
如今，随着组织中在线控制系统的数量不断增加，以及对使用数据流来记录和控制其子系统的监控和统计设施的需求越来越高，数据流挖掘变得越来越重要。Hoeffding树（也称为非常快速决策树，VFDT）作为一种大数据方法，在处理数据流的分类和回归问题时表现出了良好的性能，能够应对面临的挑战，并使随时预测成为可能。尽管这些方法优于其他方法，例如人工神经网络（ANN）和支持向量回归（SVR），但是当输入数据的统计分布改变时，它们在适应新概念方面存在高延迟。本文提出了一种新的概念漂移检测算法，该算法能够有效地检测和处理概念漂移现象。该算法还受益于快速启动能力，这有助于系统能够在数据流到达的开始时比其他算法更快地预测。我们还表明，我们的方法在分类和回归任务方面优于其他有争议的方法。
2019-02-10 cs.LG stat.ML
Handling many conversions per click in modeling delayed feedback
Google Research（谷歌研究院）；Google（谷歌）
预测点击后转化（购买或其他事件）的预期价值或数量是基于性能的数字广告的关键任务。在训练转换优化器模型时，最关键的方面之一是处理与转换相关的延迟反馈，这可能会以不同的延迟多次发生。这个任务是困难的，因为延迟分布对于每个广告客户是不同的，是长尾的，通常不遵循任何特定类别的参数分布，并且可以随时间变化。我们使用基于三个核心思想的无偏估计模型来应对这些挑战。第一个想法是将标签拆分为具有不同延迟桶的标签之和，每个标签仅在成熟标签上训练，第二个是使用温度计编码来提高准确性并降低推理成本，第三个是使用辅助信息来提高模型的稳定性并处理分布中的漂移。
2021-01-06 cs.LG
Handling Data Heterogeneity in Federated Learning via Knowledge Distillation and Fusion
Zhengzhou University（郑州大学）；Michigan Technological University（密歇根理工大学）；Michigan State University（密歇根州立大学）；Duke University（杜克大学）
针对联邦学习中数据异构引发的客户端模型漂移问题，提出FedKF方案，通过主动-被动聚合表征全局知识，结合无数据知识蒸馏实现全局-局部知识融合，缓解漂移并提升性能。
2023-10-04 cs.LG
WAM-Cache: Staleness-Bounded KV Reuse for Efficient World Action Models
Zhejiang University（浙江大学）；Agency for Science, Technology and Research（科技研究局）
WAM-Cache 是一种无训练框架，通过结合动作专家交叉注意力与视觉潜在惊喜选择刷新集，在抑制累积误差的同时，将视频 DiT 预填充 FLOPs 降低 32%-42%，且精度损失极小。
2026-10-09 cs.CV cs.LG cs.RO
PARAFAC2$\times$N: Coupled Decomposition of Multi-modal Data with Drift in N Modes
University of Alberta（阿尔伯塔大学）；University of Copenhagen（哥本哈根大学）
全面的二维气相色谱-飞行时间质谱（GC $\times$ GC-TOFMS）数据的可靠分析被认为是其广泛应用的主要瓶颈。对于多个样品，特定色谱区域的GC $\times$ GC-TOFMS数据表现为I质谱采集、J质量通道、K调制和L样品的4阶张量。色谱漂移沿第一维（调制）和沿第二维（质谱采集）都是常见的，而沿质量通道和样品尺寸的漂移对于所有实际目的来说都是不存在的。已经提出了许多处理GC $\times$ GC-TOFMS数据的解决方案：这些解决方案涉及重塑数据，使其适合基于多变量曲线分辨率（MCR）的二阶分解技术或三阶分解技术，如并行因子分析2（PARAFAC 2）。PARAFAC 2已被用于沿一个模式建模色谱漂移，这使得它能够用于多个GC-MS实验的稳健分解。虽然可扩展，但实现解释沿多个模式漂移的PARAFAC 2模型并不简单。在这篇文章中，我们展示了一种新的方法和一个通用的理论，用于建模数据与漂移沿多个模式，在多维色谱与多变量检测的应用。
2022-05-06 cs.LG stat.AP
Asynchronous Federated Learning for Sensor Data with Concept Drift
George Mason University（乔治梅森大学）
联邦学习（FL）涉及多个分布式设备联合训练共享模型，而任何参与者都不必向集中式服务器透露他们的本地数据。大多数以前的FL方法假设设备上的数据在训练过程中是固定和静止的。然而，这种假设是不现实的，因为这些设备通常具有变化的采样率和不同的系统配置。此外，设备数据的底层分布可以随时间动态变化，这被称为概念漂移。概念漂移使学习过程变得复杂，因为现有数据和即将到来的数据之间的不一致性。由于本地设备的异构性，传统的概念漂移处理技术如基于组块和基于集成学习的方法不适合联邦学习框架。我们提出了一种新的方法，FedConD，来检测和处理本地设备上的概念漂移，并最大限度地减少对异步FL中模型性能的影响。漂移检测策略是基于一种自适应机制，该机制使用本地模型的历史性能。漂移自适应是通过调整各局部器件上目标函数的正则化参数来实现的。此外，我们在服务器端设计了一个通信策略，以谨慎的方式选择本地更新，加快模型收敛。在三个演化数据流和两个图像数据集上的实验结果表明，\model ~能够检测和处理概念漂移，与其他基线方法相比，还降低了整体通信开销。
2021-09-01 cs.DC cs.LG
MemStream: Memory-Based Streaming Anomaly Detection
National University of Singapore（新加坡国立大学）；IIT Bombay（印度理工学院孟买分校）；Harvard University（哈佛大学）
在一个存在概念漂移的多维数据环境中，随着时间的推移，给定一个条目流，我们如何检测异常活动？大多数现有的无监督异常检测方法寻求以离线方式检测异常事件，并且需要大量的数据用于训练。这在现实生活中是不切实际的，因为我们以流的方式接收数据，并且事先不知道流的大小。因此，我们需要一种数据高效的方法，可以在线检测和适应不断变化的数据趋势或概念漂移。在这项工作中，我们提出了MemStream，一个流异常检测框架，使我们能够检测到不寻常的事件，因为它们发生的同时具有弹性的概念漂移。我们利用去噪自动编码器的功能来学习表示，并利用内存模块来学习数据中动态变化的趋势，而无需标签。我们证明了有效的漂移处理所需的最佳内存大小。此外，MemStream使用两种架构设计选择来抵抗内存中毒。实验结果表明，我们的方法相比，国家的最先进的流基线使用$2$合成数据集和$11$真实世界的数据集的有效性。
2022-03-04 cs.AI cs.LG
Federated Learning Clients Clustering with Adaptation to Data Drifts
Harvard University（哈佛大学）；Northwestern University（西北大学）；Amazon（亚马逊公司）；Johns Hopkins University（约翰霍普金斯大学）；Google（谷歌公司）
FIELDING通过适应数据漂移的CFL框架提升模型准确性并加速收敛
2026-02-08 cs.CR cs.LG
An efficient and straightforward online quantization method for a data stream through remove-birth updating
Komatsu University（小松大学）
针对数据流中的概念漂移，提出一种通过移除-新生更新替换低获胜概率单元的在线向量量化方法，实现快速适应并减少死单元，其指标有助于漂移检测。
2023-12-26 cs.DB cs.LG
A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data
Australia Artificial Intelligence Institute (AAII)（澳大利亚人工智能研究所（AAII））；Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院）
提出基于邻域搜索差异的新统计量，用于高精度检测真实概念漂移并忽略虚拟漂移，同时指示分类边界变化方向，实验验证其优于现有方法。
2024-05-23 cs.LG
First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling
Toyota Research Institute（丰田研究院）；Department of Mechanical Engineering, Rice University（机械工程系， Rice大学）；MANE, Rensselaer Polytechnic Institute（MANE，Rensselaer理工学院）
针对极限动态驾驶中在线学习滞后易致失控的问题，提出结合贝叶斯最后一层元学习与不确定性引导主动数据收集的车辆动力学辨识框架，并在 Toyota Supra 漂移实验中验证其可靠控制效果。
2025-07-23 cs.LG cs.RO cs.SY
What Changed? Drift Detection with Real, Virtual, and Incomparable Diagnosis
Kagoshima University（鹿儿岛大学）
本研究提出双轴漂移检测门，结合功能轴与新颖性轴，解决深度交换分数混淆问题，在广义类别发现中实现高AUROC，并验证于多种骨干网络。
2026-09-24 cs.AI cs.LG cs.NE
METER: A Dynamic Concept Adaptation Framework for Online Anomaly Detection
Beijing Institute of Technology（北京理工大学）；National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）
针对现有在线异常检测方法应对概念漂移能力不足、适配慢的问题，提出基于超网络动态参数调整与证据深度学习漂移检测的METER框架，实验证明其性能显著优于现有方法。
2023-12-28 cs.LG
An Efficient Model Maintenance Approach for MLOps
Polytechnique Montréal（蒙特利尔理工学院）
针对概念漂移导致的ML模型性能下降及现有维护方法资源消耗大的问题，提出基于相似度的模型复用方法与SimReuse工具，集成到改进的MLOps流水线中，可在维持模型性能的同时大幅降低维护成本与时间。
2025-05-19 cs.LG cs.SE
Scalable Drift Monitoring in Medical Imaging AI
Microsoft Health and Life Sciences (HLS)（微软健康与生命科学部门）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
本研究针对医学影像AI的模型漂移与可靠性问题，开发了基于CheXstray框架的增强型可扩展漂移监测框架MMC+，经真实世界数据验证可有效检测数据偏移并预警性能偏差，助力AI在临床场景的应用。
2026-07-31 cs.CV cs.LG eess.IV
WorldDynCache: Risk-Controlled Latent Dynamics Approximation for Diffusion World Model
本文提出WorldDynCache框架，通过风险估计器和提升隐式代理解决扩散世界模型推理慢的问题，在两个数据集上实现加速并取得最优生成质量。
2026-08-04 cs.CV cs.LG
DynGMA: a robust approach for learning stochastic differential equations from data
National University of Singapore（新加坡国立大学）；Institute for Functional Intelligent Materials, National University of Singapore（新加坡国立大学功能智能材料研究院）
针对现有从数据学习SDE的方法依赖高时间分辨率数据的问题，提出基于动力系统随机扰动理论的DynGMA方法，可鲁棒近似转移密度，能处理低分辨率、可变步长轨迹数据，在函数学习和不变分布计算上精度优于基线。
2024-06-20 cs.LG cs.NA math.NA
