본 논문은 비정상 환경에서의 통계적 학습을 위한 다용도 프레임워크를 개발합니다. 각 시간대마다 안정성 원칙을 적용하여 누적 편향을 확률적 오차에 비해 허용 가능한 범위 내에 유지하면서 과거 데이터 활용을 극대화하는 과거 데이터 윈도우를 선택합니다. 이 방법의 알려지지 않은 비정상성에 대한 적응성을 이론적으로 보여줍니다. 모집단 손실이 강하게 볼록하거나 Lipschitz 조건만 만족하는 경우 로그 인자까지 최소-최대 최적의 후회 경계를 증명합니다. 분석의 핵심에는 함수 간 유사성 측정 및 비정상 데이터 시퀀스를 준정상 조각으로 나누는 분할 기법이라는 두 가지 새로운 구성 요소가 있습니다. 전력 수요 예측 및 병원 간호사 인력 배치에 대한 실제 데이터 실험을 통해 이 방법의 실제 성능을 평가합니다.
