热点事件持续更新
研究人员提出时间中和决策树TNT以应对数据流概念漂移
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年11月6日，研究人员在 arXiv 机器学习领域提出时间中和决策树（TNT）架构，旨在应对数据流中的概念漂移挑战，实现鲁棒的流式分类。据报道，TNT 能够在训练过程中动态过滤掉与当前流上下文不再相关的旧训练样本，并在这些样本重新相关时重新将其纳入。在针对 USP DS 仓库中 24 个真实与半真实数据流的评测中，TNT 在各类不同概念漂移场景下均取得了同类最佳表现。
AI 根据报道生成 · 5 小时前更新
最新进展11月6日 13:00
研究人员提出时间中和决策树TNT，在24个数据流评测中取得同类最佳表现。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv 机器学习基于时间中和决策树的鲁棒数据流分类
针对数据流中的概念漂移挑战，研究人员提出时间中和决策树（TNT）架构以实现鲁棒的流式分类。TNT 能在训练中动态过滤掉与当前流上下文不再相关的旧训练样本，并在这些样本重新相关时重新纳入。在 USP DS 仓库的 24 个真实与半真实数据流评测中，TNT 在不同概念漂移类型下均取得了同类最佳表现。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。