Naukowcy zaproponowali Time Neutralising Trees, nową metodę drzew decyzyjnych zaprojektowaną specjalnie do pracy ze strumienia mi danych, które zmieniają się w czasie. Problem, który rozwiązuje TNT, to concept drift - zjawisko, gdy rozkład danych lub reguły underlying process zmieniają się dynamicznie. Tradycyjnie algorytmy stream learning działały pod założeniem, że każdy punkt danych widać tylko raz i nie można go przechowywać. Nowoczesne podejścia relaksują to ograniczenie, ale wciąż opierają się na detekcji driftu i prostych procedurach resetu modelu.
TNT wprowadza innowacyjne podejście poprzez dynamiczne "neutralizowanie" - filtrowanie starych próbek treningowych, które straciły znaczenie w kontekście bieżącego strumienia, przy jednoczesnym ponownym włączaniem ich, jeśli ponownie staną się istotne. Podejście to opiera się na spostrzeżeniu, że tradycyjne algorytmy batch learning często przewyższają performance stream learning, gdy dane mogą być przechowywane i przetwarzane wielokrotnie. Drzewa Neutralizujące Czas łączą tę zaletę z elastycznością wymaganą dla dynamicznych strumieni.
Ewaluacja TNT na 24 rzeczywistych i semi-rzeczywistych zbiorach danych klasyfikacyjnych z repozytorium USP DS wykazała znaczną poprawę. Algorytm osiągnął najlepsze rezultaty w szerokiej gamie strumieni z różnymi typami concept drift, co sugeruje potencjał do praktycznego wdrożenia w systemach, które muszą dostosowywać się do zmian w danych w czasie rzeczywistym, takich jak monitorowanie anomalii, rekomendacyjne systemy czy analiza sensorów.