Naukowcy zaprezentowali PAI-KNN - klasyfikator oparty na metodzie k-nearest neighbor, który radzi sobie z niezbalansowanymi strumieniami danych poprzez adaptację w czasie inferencji zamiast modyfikacji pamięci. Tradycyjne podejścia do tego problemu opierają się na aktywnym zarządzaniu pamięcią poprzez usuwanie instancji, restrukturyzację, resampling i generowanie danych syntetycznych. PAI-KNN idzie inną drogą - utrzymuje prosty bufor okna przesuwnego i dynamicznie dostosowuje swoją regułę decyzyjną, używając estymacji class prior (wcześniejszych prawdopodobieństw klas) pochodzących z ostatnich obserwacji w strumieniu.
Model został oceniony na licznych syntetycznych strumieniach danych obejmujących różne scenariusze niezbalansowania i drift. Wyniki pokazują, że PAI-KNN osiąga wydajność konkurencyjną w stosunku do najnowocześniejszych metod, a szczególnie wyróżnia się w scenariuszach z dynamicznym niezbalansowaniem klas i concept drift - czyli gdy rozkład danych zmienia się w czasie, a klasy mają drastycznie różne liczebności.
To badanie ma znaczenie dla przetwarzania danych strumieniowych w realnych aplikacjach, gdzie dane przychodzą ciągle i warunki się zmieniają. Wyniki sugerują, że adaptacja w klasyfikatorach opartych na pamięci nie musi polegać wyłącznie na modyfikacji zgromadzonych przykładów - czasem wystarczy sprytne dostosowanie sposobu, w jaki model podejmuje decyzje na podstawie tego, co już wie.