交易、点击或传感器记录不断涌来时，预测模型也得跟着更新。麻烦在于，若每批新数据到达后都重读全部历史、重新训练，计算和存储成本会持续上升；只选一个模型，又可能选错。Yalu Ping、Chen Xuerong 和 Yu Dalei 提出一种可更新的模型平均方法：同时组合多个模型，并在新批次到来时增量调整参数和组合权重。
它面向广义线性模型（GLM）——把线性回归扩展到“是否点击”这类二分类结果或计数结果。关键一步是用二次近似，把原本依赖完整数据的凸优化问题改写成每轮一次二次规划。系统只需保留上一轮的权重和历史汇总量，再结合当前批次更新，不必访问已经丢弃的原始记录。
作者证明，在一定条件下，新方法得到的权重会渐近接近“能看到全部历史数据”的理想模型平均权重；即使候选模型都不完全正确，也可渐近达到最低条件损失。论文还以模拟实验和 Airline On-Time Performance Dataset 作评估，但现有材料未提供具体提升数字。