StreamingModelle
StreamingModelle bezeichnet Modelle des maschinellen Lernens, die Datenströme in einer fortlaufenden oder online Lernumgebung verarbeiten. Sie lernen incrementell aus neu eintreffenden Beispielen, statt auf großen, statischen Batch-Datensätzen. Ziel ist eine schnelle Inferenz und eine kontinuierliche Anpassung an neue Muster, oft unter begrenzten Ressourcen und mit geringer Latenz.
Typische Eigenschaften sind Online-Lernen, inkrementelle Updates, Robustheit gegenüber Konzeptdrift, und oft eine Beschränkung von Speicher und
Wesentliche Ansätze umfassen Online-Entscheidungsbäume (z. B. Hoeffding-Trees), Online-Linearmodelle mit stochastischem Gradienten, inkrementelle Clustering-Verfahren und adaptives Ensemble-Lernen.
Anwendungsfelder umfassen Finanztransaktionen und Betrugserkennung, Netzwerksicherheit, Sensor- und IoT-Daten, Anomalieerkennung sowie Echtzeit-Empfehlungssysteme. Infrastrukturell unterstützen Stream-Processing-Engines
Herausforderungen sind Konzeptdrift, sich ändernde Verteilungen, eingeschränkter Speicher, Latenz- und Datenschutzanforderungen. Die Evaluation erfolgt oft präquential,
Historisch entstanden StreamingModelle aus dem Online-Lernen der 1990er Jahre und aus Forschungen zu Datenströmen. Wichtige Referenzen