Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures

适应概念漂移是机器学习中的一项具有挑战性的任务，通常采用增量学习技术来解决，这些技术定期重新拟合学习模型，利用新的可用数据。这些技术的主要限制是它们依赖于大量的数据进行重新训练。获取新数据的必要性会在重新训练之前引入时间延迟，如果在两次重新训练之间出现突然的概念漂移，可能会使模型失准。在通信网络中，当进行故障事件后的流量预测时，这种问题会出现：故障后的重新路由可能会引起流量数据的分布和模式发生巨大变化，因此需要及时进行模型适应。在这项工作中，我们针对交通预测问题解决了这一挑战，并提出了一种方法，利用自适应学习算法，即液态神经网络，这种网络能够自适应于数据模式的突然变化，而无需重新训练。通过对故障情景的大量模拟，我们比较了我们提出的方法与基于增量学习的参考方法的预测性能。实验结果表明，在流量模式发生巨大变化的情况下，我们提出的方法优于基于增量学习的方法。

解决问题：论文探讨如何应对概念漂移对机器学习的挑战，特别是在通信网络中的交通预测中出现的突发数据变化。

关键思路：使用自适应学习算法，即液态神经网络，来应对突发数据变化，无需重新训练。

亮点：论文通过大量模拟故障场景来比较所提出的方法与基于增量学习的参考方法的预测性能。实验结果表明，在交通模式发生剧烈变化的情况下，所提出的方法优于基于增量学习的方法。

相关研究：最近的相关研究包括《深度学习在交通预测中的应用》、《基于增量学习的机器学习模型在通信网络中的应用》等。