流式mvYaleB数据集

开放环境下的智能系统亟需克服环境要素非平稳变化带来的模型退化与灾难性遗忘难题，而现有静态基准数据集难以真实反映数据类别随时间动态演进的物理规律。针对上述挑战，本研究依托权威的 Extended Yale B 多视角人脸数据库，构建了面向类别增加场景的流式mvYaleB基准测试集。在数据流构造方面，本研究设计了严格的流式时序切分与增量演化协议，将数据流精确划分为包含10个类别的“稳态阶段”与突增至15个类别的“增量阶段”，系统性地模拟了现实应用中新类别要素突发性涌现的动态演化过程。本数据集共汇交944个特征降维后的高维结构化样本，按照科学准则划分为序列化训练流与超集测试集，并采用分层字典结构完成了底层数据的张量级序列化封装。该数据集突破了传统独立同分布假设的评测局限，为评估连续学习、在线增量学习等前沿算法的鲁棒性与在线演进能力提供了高置信度的标准化数据支撑。