Abstract
<jats:p>У потокових інтелектуальних системах підтримки прийняття рішень прогнозування мультимодальних часових рядів виконується каузально та за обмежених ресурсів, тому повне перенавчання після кожної зміни середовища є надмірним. Розглянуто дрейф відносної релевантності модальностей і подієво- ініційовану бюджетовану мікроадаптацію, що оновлює лише малу голову злиття θ = (a, b, c). Подію дрейфу визначають за сигналом релевантності на ковзному вікні (із згладженням і перевіркою персистентності), після чого запускається інкрементне оновлення. Показано, що в постдрейфових сегментах точність зростає до MAE = 0.66 ± 0.01 проти 0.70 ± 0.01 та RMSE = 0.84 ± 0.01 проти 0.90 ± 0.01, а також середній час відновлення становить 157 кроків; у середньому виконуються 3 оновлення</jats:p>