データストリームにおける自律的ドリフト学習：統一的視点

要旨: 自律的な学習システムを追求するにあたり、基礎となる仮定である定常性、すなわちデータ分布とモデル挙動が一定であるという前提は、本質的に成り立ちません。歴史的に、研究コミュニティは非定常環境への対応をほぼ概念ドリフトの枠組みの中でのみ扱ってきており、主としてストリームにおける時間的な変化（テンプラルなシフト）に焦点を当ててきました。しかし、学習システムがますます自律的かつ複雑になるにつれて、時間的な非定常性に適応するだけではもはや不十分です。この従来の視点を超えて、我々はシステムの運用状態に基づいて分野を体系化する、新しい3次元の分類法を提案します。第一に、時間ストリームのドリフトは、確率的な恣意的パターンと、構造的なリズム的ダイナミクスを区別します。第二に、データストリームのドリフトは、表現ドリフトとして同定される特徴表現の変化と、意味ドリフトとして認識される基盤となる意味の変化を切り分けます。第三に、モデルストリームのドリフトは、連続的可塑性、分散された不均一性、そしてポリシーの不安定性というレンズを通して、学習システムの内生的な分岐（divergence）を特徴づけます。この枠組みに基づき、我々は193本の代表的研究を体系的にレビューし、主要な未解決課題を特定します。ドリフト適応、継続学習、時間的汎化という断片化されたパラダイムを橋渡しすることで、本調査は、変化し続ける過程を通じて自律的に学習できる自己進化型の知的システムを構築するためのロードマップを提示します。