Trong bài báo này, chúng tôi đề xuất một thuật toán mới, OL-MDISF, để giải quyết vấn đề học trực tuyến trong các luồng dữ liệu bất thường với các kiểu dữ liệu hỗn hợp, chuyển động khái niệm và thông tin giám sát một phần. OL-MDISF tạo ra một không gian tiềm ẩn toàn diện bằng mô hình copula, duy trì tính ổn định của mô hình bằng cách phát hiện điểm chuyển động khái niệm bằng cửa sổ trượt thích ứng, và thiết lập thông tin lân cận nhãn dựa trên mối quan hệ cấu trúc hình học. Hiệu quả và tính hiệu quả của mô hình được chứng minh thông qua phân tích lý thuyết và các thử nghiệm mở rộng trên 14 tập dữ liệu thực. Ngoài ra, chúng tôi phân tích các xu hướng mới nhất trong nghiên cứu học trực tuyến và trình bày kết quả của nhiều thử nghiệm khác nhau (ví dụ: xu hướng CER, nghiên cứu cắt bỏ, phân tích độ nhạy, động lực học tập hợp theo thời gian, v.v.) để cung cấp các chuẩn mực có thể tái tạo và dữ liệu kỹ thuật.
