在数据流分类任务中，概念漂移（concept drift）与类别不平衡（class imbalance）常常同时出现，模型不仅要持续适应不断变化的数据分布，还必须维持对少数类的识别能力。以往多数方法依赖主动式内存管理来应对这一挑战，例如删除过时实例、重构内存结构、重采样或生成合成数据。然而，这类做法会直接改动记忆内容，可能带来信息损失或额外计算开销。来自 Tobias Callies 等四位作者、被 ECMLPKDD 2026 的 Streaming Continual Learning Workshop 接收的论文《Inference-Time Prior Adaptation for Imbalanced Data Streams under Concept Drift》（arXiv:2610.33126v1，cs.LG）提出了一种不同的思路。
作者介绍了 PAI-KNN，一种基于 k 近邻的分类器。与依赖内存修改的流式分类器不同，PAI-KNN 在推理阶段通过调整先验来实现适应。其记忆机制保持简单：仅维护一个滑动窗口缓冲区，用于保存最近的观测样本；而决策规则则根据从近期观测中估计出的类别先验进行动态调整。换言之，模型并不删除或重组历史实例，也不进行重采样或合成数据生成，而是让决策边界随类别先验的变化而偏移，从而在漂移与不平衡并存的环境中保持对少数类的敏感度。
在实验部分，研究者在大量合成数据流上对 PAI-KNN 进行了评估，这些数据流覆盖了多种不平衡程度与概念漂移场景。结果显示，PAI-KNN 与当前最先进的方法相比具有竞争力，尤其在类别不平衡动态变化以及概念漂移同时出现的场景中表现突出。这一结果表明，推理阶段的先验调整是一种可行且有效的适应手段。
论文的结论具有更广泛的意义：对于基于记忆的流式分类器而言，适应非平稳环境并不必然要求修改记忆本身。通过在推理时调整决策规则，模型可以在保持记忆结构简单的同时获得良好的适应能力。作者认为，这些发现凸显了推理时适应在困难非平稳环境中的潜力，并为流式学习中的内存管理策略提供了新的方向。该论文共 12 页、含 7 幅图，于 2026 年 10 月 23 日提交至 arXiv，DOI 为 10.48550/arXiv.2610.33126，可通过 PDF 或实验性 HTML 版本获取全文。