.png){kind=icon}
返回
E-CGL: an efficient continual graph learner
.png){kind=icon}
PRE
AI
DOI：10.1631/FITEE.2500162.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习（CL）已成为一种关键范式，用于从序列数据中学习的同时保留先前知识。持续图学习（CGL）以从流数据中动态演化的图为主要特征，提出了独特的挑战，需要高效算法来防止灾难性遗忘。第一个挑战源于不同图数据之间的相互依赖性，其中先前图影响新数据分布。第二个挑战是高效处理大型图。为解决这些挑战，本文提出了一种高效的持续图学习器（E-CGL）。我们通过证明重放策略的有效性来解决相互依赖性问题，并引入了一种综合考虑节点重要性和多样性的组合采样方法。为提高效率，E-CGL利用了一种简单而有效的多层感知器（MLP）模型，该模型在训练期间与图神经网络（GNN）共享权重，从而通过规避昂贵的消息传递过程来加速计算。我们的方法在两种设置下的四个CGL数据集上实现了最佳结果，同时将灾难性遗忘值显著降低至平均-1.1%。此外，E-CGL在四个数据集上分别实现了平均15.83倍和4.89倍的训练和推理加速。这些结果表明，E-CGL不仅能在持续训练中有效管理不同图数据之间的相关性，还增强了大规模CGL的效率。
期刊
IF:
2.9
论文数:
129
被引数:
2.5K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容