چکیده: جریان‌های داده‌ چندبرچسبی شامل دنباله‌ای از نمونه‌ها هستند که هر نمونه می‌تواند به‌صورت هم‌زمان به چندین برچسب تعلق داشته باشد و به‌طور پیوسته وارد سیستم شود. این نوع داده‌ها در بسیاری از کاربردهای واقعی نظیر سامانه‌های هوشمند تحلیل محتوای چندرسانه‌ای، متن کاوی و تشخیص تقلب نقش اساسی دارند. با این حال، ترکیب ماهیت چندبرچسبی با ویژگی‌های جریان داده، چالش‌های مضاعفی را از جمله عدم ایستایی توزیع داده، وقوع رانش مفهوم، کمبود شدید داده‌های برچسب‌خورده، هزینه‌ی بالای برچسب‌گذاری و الزام به یادگیری برخط، تک‌گذره و کم‌هزینه را ایجاد می‌کند. بسیاری از روش‌های موجود، خواه کلاسیک و حتی عمیق، یا به آموزش دسته‌ای و داده‌های کاملا برچسب‌خورده متکی‌اند، یا در مواجهه با رانش مفهوم و محدودیت منابع محاسباتی، پایداری و کارایی لازم را ارائه نمی‌دهند. در پاسخ به این چالش‌ها، این پژوهش دو چارچوب مکمل و هدفمند را برای یادگیری از جریان‌های داده‌ چندبرچسبی دارای رانش مفهوم معرفی می‌کند. نخست، چارچوب MLALDDS به‌عنوان یک روش سبک و افزایشی، با تکیه بر یادگیری فعال تک‌گذره، رده‌بند نزدیک‌ترین همسایه‌ی خودتنظیم‌شونده در معماری ارتباط دودویی، و یک سازوکار بازتابی مبتنی بر ADWIN، امکان یادگیری مؤثر از جریان‌های کم‌برچسب را تحت محدودیت بودجه برچسب گذاری فراهم می‌سازد. این چارچوب با انتخاب نمونه‌هایی با بیشینه ارزش آموزشی و سازگاری برچسب‌محور با رانش مفهوم، توازن مناسبی میان دقت پیش‌بینی، هزینه‌ی برچسب‌گذاری و کارایی محاسباتی برقرار می‌کند. در گام دوم، چارچوب DMLADMS به‌عنوان یک رویکرد عمیق، فعال و افزایشی برای جریان‌های چندبرچسبی و با هدف ارتقای توان عملکردی و بهبود پایداری پیش‌بینی نسبت به روش اول ارائه می‌شود. این چارچوب با بهره‌گیری از یک معماری عمیق سبک و قابل آموزش افزایشی برای الگوهای پیچیده تر، راهبرد یادگیری فعال تطبیقی مبتنی بر آستانه‌ی عدم‌قطعیت محلی و بودجه‌ی برچسب‌گذاری پویا، مدیریت حافظه‌ی دو‌سطحی کوتاه‌مدت و بلندمدت و آشکارسازی رانش مفهوم، امکان انتخاب نمونه های مفید آموزشی، یادگیری پیوسته، پایدار و سازگار با تغییرات توزیع داده را بدون نیاز به بازآموزی کامل فراهم می‌آورد. ارزیابی‌های تجربی گسترده بر روی ۳۰ مجموعه‌داده برای MLALDDS و۲۰ مجموعه‌داده برای DMLADMS، در مقایسه با طیف وسیعی از الگوریتم‌های پیشرفته و با استفاده از ۱۲ معیار ارزیابی نظیر دقت زیرمجموعه وF1 مبتنی بر نمونه، به‌همراه آزمون‌های آماری ناپارامتریک، برتری معنادار، پایداری و کارایی هر دو چارچوب پیشنهادی را تأیید می‌کند. نتایج نشان می‌دهد که این پژوهش با ارائه‌ی دو رویکرد مکمل، شکاف‌های پژوهشی در یادگیری چندبرچسبی جریان داده را به‌طور مؤثر پوشش داده و راهکارهایی عملی، مقیاس‌پذیر و قابل‌اعتماد برای کاربردهای واقعی ارائه می‌دهد.