في عالم التعلم الآلي، حيث تتواجد أنظمة تدفق البيانات مثل الأنهار، تحتاج هذه الأنظمة إلى اتخاذ قرارات حاسمة بشكل متكرر حول ما إذا كان يجب إعادة استخدام نموذج خبير موجود، أو إنشاء نموذج جديد، أو انتظار المزيد من البيانات.

قدمت دراسة حديثة على منصة arXiv طريقة جديدة تعتمد على طبقة قرار تتيح جميع النتائج الثلاث بطريقة ذات دلالة إحصائية. إن إعادة الاستخدام وإطلاق نموذج جديد يطرحان كفروض متسلسلة أحادية الجانب على تباين آلي (mechanism-level discrepancy) يتم فصله بواسطة منطقة غير مبالية.

الحالة التي يتم فيها عدم اتخاذ قرار هي بالضبط الحالة التي لم تجمع فيها أي من العمليات المعنية أدلة كافية. تم إثبات صلاحية هذه النماذج في الوقت المحدود، مما يجعل تباين الممثل القابل للملاحظة صالحًا على مدار وقت الحياة.

يتم تحقيق حالة حديثة دون التضحية بالضمانات من خلال استخدام كاشف إلكتروني معاد تشغيله: وهو بنك من نماذج الرفاه غير المصفحة في أوقات إعادة تشغيل متباعدة هندسيًا، مما يحافظ على صلاحية القدرة المستقبلية.

على تيارات مفاهيم متعددة مُركّبة مثل Electricity وCovertype، بلغ النموذج التجريبي المحقق صفرًا في حالات إنشاء نماذج جديدة غير صحيحة وصفرًا في عمليات إعادة الاستخدام غير الصحيحة بعد التغييرات، مما يجعله خطوة رئيسية نحو نظام تعلم آلي أكثر كفاءة.