본 논문은 혼합 자료형, 개념 이동, 그리고 부분적 지도 정보를 갖는 비정상적인 데이터 스트림에서의 온라인 학습 문제를 해결하기 위해 새로운 알고리즘인 OL-MDISF를 제안한다. OL-MDISF는 copula 모델을 이용하여 포괄적인 잠재 공간을 생성하고, 적응적 슬라이딩 윈도우를 사용하여 개념 이동 시점을 감지하여 모델의 안정성을 유지하며, 기하학적 구조적 관계를 기반으로 레이블 근접 정보를 설정한다. 본 논문은 이론적 분석과 14개의 실제 데이터셋을 이용한 광범위한 실험 결과를 통해 모델의 효율성과 효과를 보여준다. 또한, 최신 온라인 학습 연구 동향을 분석하고, 다양한 실험(CER 추세, ablation study, sensitivity analysis, temporal ensemble dynamics 등) 결과를 제시하여 재현 가능한 벤치마크 및 기술적 자료를 제공한다.
