Como principio general:
0) se mantienen las estadísticas suficientes y las estimaciones actuales de ML
1) cuando obtenga nuevos datos, actualice las estadísticas suficientes y las estimaciones
2) Cuando no tenga suficientes estadísticas, tendrá que utilizar todos los datos.
3) Normalmente no tienes soluciones de forma cerrada; utiliza los MLEs anteriores como punto de partida, utiliza algún método de optimización conveniente para encontrar el nuevo óptimo a partir de ahí. Es posible que tenga que experimentar un poco para encontrar qué enfoques hacen las mejores compensaciones para sus tipos particulares de casos de problemas.
Si tu problema tiene una estructura especial, probablemente puedas explotarla.
Un par de referencias potenciales que pueden tener algún valor o no:
McMahan, H. B. y M. Streeter (2012),
Problema abierto: mejores límites para la regresión logística en línea ,
JMLR: Actas de talleres y conferencias , vol. 23, 44,1-44,3
Penny, W.D. y S.J. Roberts (1999),
Regresión logística dinámica ,
Actas IJCNN '99