韦 磊, 姜海富, 于化龙,2*

(1.江苏科技大学 计算机学院, 镇江 212100)(2.四川轻化工大学 人工智能四川省重点实验室, 宜宾 643000)

在线学习(online learning)，又称数据流学习(learning from data stream)，是机器学习领域的重要研究分支之一[1].所谓在线学习，是指数据的获取不是一次性的，而是随着时间不断动态累加的.当前，随着移动互联网与物联网等技术的高速发展，在线学习在智能交通[2]、市场分析[3]、网络安全[4]，乃至更多的应用领域都存在着广泛的应用价值.

相比于传统的依赖于静态数据的机器学习，在线学习通常要面临更多的挑战，主要包括：① 考虑到数据流高频、量大的特点，以及存储的限制，通常数据都是在使用后即被抛弃的，因此要求模型只能访问数据一次(one pass)；② 数据的分布可能会随着时间的延展而发生各种动态改变，即概念漂移(concept drift)问题[5]，因此要求模型要能实时跟踪分布的变化而不断实现自我进化.

对于one pass 问题，现有的解决策略大体可以分为两类：一是对传统的单一静态学习模型进行改进，令其可适应在线学习环境，当接收到新数据时，通过自动修正模型参数使其同时适应新旧两类数据[6-7]；二是将传统的单一静态学习模型与集成学习框架相结合，不同的个体学习器建立于不同的数据块之上，通过投票规则相关联，同时兼顾新旧经验[8-10].对于概念漂移问题，通常采用一个独立的分布漂移检测模块来对漂移的发生进行监测，进而将监测的结果反馈给单一学习模型以调控其对旧经验……