本论文提出了一种结构学习策略和参数学习策略相结合的图像持续学习方法，并采用强化学习驱动结构学习策略，Dark Experience 回放的概念来应对灾难性遗忘问题。在图持续学习基准问题中得到了验证，并在两个设置中都表现出比最近发布的作品更好的性能。

Sep, 2022

该论文将图神经网络和终身学习相结合，通过引入特征图拓扑结构并将节点转换为独立的图来将节点分类问题转化为图分类问题，实现了对经典图数据集的连续学习，并在人体动作识别和特征匹配等领域达到了卓越的性能。

Sep, 2020

本文提出了一种在图上进行终身学习的增量训练方法，通过 $k$- 邻居时间差的方法解决历史数据的差异，并在五种典型的 GNN 体系结构上进行训练，结果表明相对于对完整图数据的训练，只需要保留至多 50% 的 GNN 感受野，就能保证至少 95% 的准确度，并确认了随着显式知识变少，隐式知识变得更为重要。

Jun, 2020

本文提出了一种连续图神经网络 (CGNN)，可以广泛应用于现有的离散动态的图神经网络，并能够捕捉节点之间的远距离依赖关系。实验结果表明，相对于竞争基线，该方法在节点分类任务上是有效的，且具有抗过度平滑的特性。

Dec, 2019

提出了一种基于拓扑感知的图粗化与持续学习框架，该框架通过将先前任务的信息存储为精简图，在每个时间段通过与新图结合并对齐共享节点来扩展精简图，并通过缩减过程进行稳定大小的 “缩小”，实验证明了该框架在三个真实数据集上使用不同的骨干 GNN 模型的有效性。

Jan, 2024

本文提出了一种基于图神经网络和持续学习的流式交通流预测框架 TrafficStream，通过交通模式融合方法和 CL 实现对具有扩展和发展模式的网络模型的高效学习，同时构建流式交通数据集进行验证，实验证明该模型在长期流场中高效提取交通模式的潜力。

Jun, 2021

图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

Apr, 2024

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

Jul, 2020

本文提出通过增加可学习的随机图来维护和重放以前样本的小型陈情表记忆，来解决非静态分布中可用数据的持续学习问题的方法。在多个基准数据集上的实证结果表明，该模型持续胜过最近提出的基线方法，用于无任务的持续学习。

Jul, 2020