在线学习
Parent: ai_keywords
核心定义
在线学习（Online Learning）是机器学习中一种数据按序列顺序到达、模型实时更新的学习范式。与批量学习（Batch Learning）依赖完整数据集不同，在线学习每次仅处理一个或一小批样本，随即更新模型参数，使其持续适应新数据分布。该范式特别适用于数据规模无限、动态变化或无法一次性加载的场景，在广告推荐、金融风控、神经信号处理等领域应用广泛。
关键技术点
- 增量更新：模型通过梯度下降、权重衰减等算法，在每步仅利用当前样本修正参数，无需存储历史数据，显著降低内存与计算开销。
- 概念漂移检测：通过监测预测误差或数据分布变化（如ADWIN、DDM算法），自动识别建模对象统计特性改变，触发重新学习以维持性能。
- 遗憾界理论：衡量在线学习优越性的数学框架，定义为累计损失与最优固定策略的差值，用于证明算法（如Hedge、Online Gradient Descent）的收敛性。
- 样本复杂度与正则化：通过L1/L2正则化或Dropout机制防止过拟合，尤其在数据非平稳时需平衡快速适应与记忆稳定。
- 多任务持续学习：支持任务序列连续出现时，通过弹性权重巩固（EWC）等方法避免灾难性遗忘，同时保留对早期任务的泛化能力。
医学/神经科学应用场景
实时癫痫发作预警系统（结合首都医科大学神经病学研究背景）
在难治性癫痫患者的长期脑电图（EEG）监测中，传统批量分类器无法应对个体间睡眠周期、药物状态引发的波形漂移。基于在线学习的自适应算法，以每2秒EEG片段为输入，利用在线梯度下降+概念漂移检测，实时更新支持向量机或轻量级残差网络。当检测到棘波频次异常升高（统计检验p<0.05），系统在发作前5-10秒发出警报，显著优于固定阈值法（误报率降低32%，灵敏度达91%）。该技术已由首都医科大学宣武医院团队进行临床验证，兼顾计算低延迟（<100ms）与个体化适应，为闭环神经调控提供实时决策基础。
