PAI-KNN：推理时先验调整应对数据流分类

2026年10月27日，arXiv平台发布论文《PAI-KNN：在概念漂移与类别不平衡数据流中通过推理时先验调整实现适应》。该论文由Tobias Callies等人提出，旨在解决基于内存的流式分类器在动态环境中适应性的问题。 PAI-KNN是一种k近邻分类器，其核心创新在于通过“推理时先验调整”而非修改内部内存来进行适应。该方法利用滑动窗口缓冲，并基于最近观测数据动态调整类先验，进而修正决策规则。这一机制表明，流式分类器的适应过程不必然依赖于对内存的直接修改，为推理时适应提供了新路径。 实验结果表明，PAI-KNN在多种合成数据流上与当前最先进（SOTA）方法表现相当。特别是在动态类别不平衡场景下，该方法能显著保持少数类的性能优势，证明了其在复杂数据流分类任务中的有效性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。