配器对突发变化的

[rochona]

请注意，FSNet 不会明确检测概念漂移，而是始终改进当前样本的学习——无论它们是从当前固定分布、逐渐变化的分布，甚至是突然变化的分布生成的。

组件设计概述
图 2 概述了 FSNet 的组件。它解决了每层适快速适应问题，并通过稀疏联想记忆交互促进了循环模式的学习。


图 2. FSNet 概览。(a) 标准 TCN 主干网络（绿色）和 (b) 扩张卷积堆栈（蓝色）。(c) 卷积滤波器堆栈（黄色）。FSNet 中的每个卷积滤波器都配备了适配器和关联存储器，通过监控主干网络的梯度 EMA，可以快速适应新旧模式。

快速学习与慢速学习
让我们考虑一下 FSNet 遇到新数据点时的在线学习设置。

慢速学习指的是神经网络的标准权重更新，如图 2(c) 中的卷积滤波器及其右侧箭头所 电报数据库 示。如前所述，标准神经网络在每次仅使用一个样本进行更新时（在线流数据场景），收敛速度会很慢。

快速学习表示整个模块（适配器+内存），如图 2(c) 所示，左侧为蓝色箭头，直接生成基础模型参数的更新规则。

快速适配机制
最近的研究展示了一种由浅入深的原则，较浅的网络可以快速适应数据流的变化，或者在有限的数据下更有效地学习。因此，在这种情况下，先使用浅层网络进行学习，然后逐渐增加其深度会更有利。

受此启发，我们提出独立监控和修改每一层，以更好地学习当前的损失。具体来说，我们实现了一个适配器，将各层的近期梯度映射到一组更小、更紧凑的变换参数，以适应深度神经网络。