在資料流分類任務中，概念漂移（concept drift）與類別不平衡（class imbalance）常常同時出現，模型不僅要持續適應不斷變化的資料分佈，還必須維持對少數類的識別能力。以往多數方法依賴主動式記憶體管理來應對這一挑戰，例如刪除過時例項、重構記憶體結構、重取樣或生成合成資料。然而，這類做法會直接改動記憶內容，可能帶來資訊損失或額外計算開銷。來自 Tobias Callies 等四位作者、被 ECMLPKDD 2026 的 Streaming Continual Learning Workshop 接收的論文《Inference-Time Prior Adaptation for Imbalanced Data Streams under Concept Drift》（arXiv:2610.33126v1，cs.LG）提出了一種不同的思路。
作者介紹了 PAI-KNN，一種基於 k 近鄰的分類器。與依賴記憶體修改的流式分類器不同，PAI-KNN 在推理階段透過調整先驗來實現適應。其記憶機制保持簡單：僅維護一個滑動視窗緩衝區，用於儲存最近的觀測樣本；而決策規則則根據從近期觀測中估計出的類別先驗進行動態調整。換言之，模型並不刪除或重組歷史例項，也不進行重取樣或合成資料生成，而是讓決策邊界隨類別先驗的變化而偏移，從而在漂移與不平衡並存的環境中保持對少數類的敏感度。
在實驗部分，研究者在大量合成資料流上對 PAI-KNN 進行了評估，這些資料流覆蓋了多種不平衡程度與概念漂移場景。結果顯示，PAI-KNN 與當前最先進的方法相比具有競爭力，尤其在類別不平衡動態變化以及概念漂移同時出現的場景中表現突出。這一結果表明，推理階段的先驗調整是一種可行且有效的適應手段。
論文的結論具有更廣泛的意義：對於基於記憶的流式分類器而言，適應非平穩環境並不必然要求修改記憶本身。透過在推理時調整決策規則，模型可以在保持記憶結構簡單的同時獲得良好的適應能力。作者認為，這些發現凸顯了推理時適應在困難非平穩環境中的潛力，併為流式學習中的記憶體管理策略提供了新的方向。該論文共 12 頁、含 7 幅圖，於 2026 年 10 月 23 日提交至 arXiv，DOI 為 10.48550/arXiv.2610.33126，可透過 PDF 或實驗性 HTML 版本獲取全文。