Dans cet article, nous proposons un nouvel algorithme, OL-MDISF, pour résoudre le problème d'apprentissage en ligne dans les flux de données anormaux avec des types de données mixtes, des mouvements de concepts et des informations supervisées partielles. OL-MDISF génère un espace latent complet à l'aide du modèle de copule, maintient la stabilité du modèle en détectant le point de mouvement des concepts à l'aide d'une fenêtre glissante adaptative et définit les informations de proximité des étiquettes en fonction de la relation structurelle géométrique. L'efficacité et l'efficience du modèle sont démontrées par une analyse théorique et des expériences approfondies sur 14 jeux de données réels. De plus, nous analysons les dernières tendances de la recherche sur l'apprentissage en ligne et présentons les résultats de diverses expériences (par exemple, tendance CER, étude d'ablation, analyse de sensibilité, dynamique d'ensemble temporelle, etc.) afin de fournir des repères reproductibles et des données techniques.
