详细介绍了国内外集成分类算法，对集成分类算法的两个部分（基分类器组合和动态更新集成模型）进行了详细综述，明确区分不同集成算法的优缺点，对比算法和实验数据集。并且提出进一步的研究方向和考虑的解决办法。

大数据-算法-隐含概念漂移的数据流分类研究.pdf

大数据-算法-非平稳数据流的概念漂移检测及其分类.pdf

基于机器学习的智能孤岛检测方法能有效地提高防孤岛保护的性能，但现有方法皆采用离线学习方案，对配电网因运行条件变化而导致的概念漂移现象缺乏自适应性。提出了一种具有在线增量学习能力的孤岛检测方法。首先，提出利用保护自采数据以及数据采集与监视控制(SCADA)系统采集的开关状态构成原始样本，并基于增量聚类方法进行样本筛选，实现有效样本的在线积累；然后，以各子样本集对系统最新状况的分类性能作为竞争准则，提出了一种样本集的优选方法，并利用加权支持向量机完成了增量学习。仿真结果表明，所提方法能够自主探测概念漂移的发生并进行持续的学习，有效地提高了孤岛检测的准确性和自适应性。

ds_practical 西门子的数据科学实用项目，用于检测小时间序列数据中的概念漂移

alibi-detect是一个开源Python库，专注于离群值，对抗性和概念漂移检测。 该软件包旨在涵盖表格数据，图像和时间序列的在线和离线检测器。 离群值检测方法应允许用户识别全局，上下文和集体离群值。 doc：https://docs.seldon.io/projects/alibi-detect/en/stable/index.html

使用区分性分类器（D3）的无监督概念漂移检测 ÖmerGözüaçık，AlicanBüyükçakır，Hamed Bonab和Fazli Can。 2019。具有区分性分类器的无监督概念漂移检测。 在第28届ACM国际信息和知识管理国际会议论文集中，中国北京，2019年11月3日至7日，（CIKM'2019），4页。 D3在河包中的实施 D3现在在river中得到支持，它是creme和scikit-multiflow之间的合并。 它是用于对流数据进行机器学习的最全面的python库之一。 目前，该软件包中不包含D3，但是您可以下载并安装该软件包的开发版本以访问D3。 由于代码是根据库标准重构的，因此结果可能与原始实现不同。 有关河的更多详细信息，请访问： : 具有D3的河的分叉版本： : 安装包括D3的river开发版本。 pip install git+https

概念漂移数据 概念漂移实验的数据集 这是什么？ 此 repo 包含以下数据集： 5 个版本的 DBpedia 类别，所有文章都链接到它们 5 个版本的 DBpedia 本体，所有文章都链接到它们的类 数据集的 8 个版本，人口计数指向 HISCO 职业类别 来自134 个数据集（每个数据集有多个版本） 从检索和重建的 3 个数据集（每个数据集有多个版本） 维护者

鉴于流数据具有实时、连续、有序和无限等特点, 使用近似方法便可检测连续分时段的流数据序列, 基于此, 运用目标分布数据, 结合相似分布理论, 提出了利用Tr-OEM 算法对流数据中的概念漂移现象进行检测. 该算法能够 动态地判断流数据概念漂移的发生, 自适应地优化概念漂移的检测值, 适用于不同类型的流数据. 通过分析和实验仿 真可以表明, 该算法在处理流数据概念漂移时具有较好的适应性.