图关系感知连续学习
摘要：连续图学习：一种关于学习无穷图数据流的问题的研究，整合历史知识并将其推广到未来的任务。当前只有当前图数据可用。尽管最近已经有一些尝试来处理这个任务，但我们仍然面临两个潜在的挑战：1）大多数现有的工作只在中间图嵌入中操作，并忽略图的固有属性。对于在图间传递的信息进行区分是非平凡的。2）近期的尝试采取参数共享策略来在时间步骤之间传输知识，或者逐步扩展给定移动图分布的新体系结构。学习单一模型可能会丢失每个图任务的差异化信息，而模型扩展方案会受到高模型复杂性的困扰。在本文中，我们指出图边缘背后的潜在关系可以被归因为不断演化的图的不变因素，并且潜在关系的统计信息也在演化。受此启发，我们设计了一种关系感知的自适应模型，称为RAM-CG，它由一个关系发现模块和一个考虑到移动的任务感知掩模分类器组成。广泛的实验证明，RAM-CG在CitationNet、OGBN-arxiv和TWITCH数据集上分别比目前最先进的结果提供了显著的2.2％，6.9％和6.6％的准确性提升。
作者：Qinghua Shen and Weijieying Ren and Wei Qin
论文ID：2308.08259
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-17