漂移与污染环境下基于潜在聚类几何的在线分布预测

该研究提出一种在数据流漂移与对抗污染下的在线分布预测方法，通过潜在聚类几何的 Gibbs 拟后验平均构建预测器，并支持 reversible-jump MCMC 采样。该方法无需数据流似然，基于核混合预测族，以累积 Wasserstein-1 regret 评估针对时变真实分布的预测表现。理论表明在满足漂移约束与分段局部污染条件下，周期性重启、滑动窗口等策略能取得高概率亚线性累积 regret。