图形生命周期学习：综述
本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。
May, 2021
本文调研了图结构数据上持续学习的问题，并介绍了持续图学习的基本概念及其面临的挑战，分析了最新的面向持续图学习问题的方法，并探讨了现有方法的主要问题和可能的解决方案以及持续图学习的未来研究方向和应用前景。
Jan, 2023
综述连续图学习的最新研究进展，从解决灾难性遗忘的角度提出连续图学习的分类方法，探讨在连续改进中应用这些方法所面临的挑战和可能的解决方案，并讨论了对连续图学习发展的开放问题和未来方向以及其对连续性性能改善的影响。
Feb, 2024
动态图学习具有重要意义，可以有效地模拟不同领域中实体之间错综复杂的相互关系，此研究论文回顾了动态图学习的较少探索的应用，并揭示了机器学习在动态图领域所面临的挑战及其潜力。
Jan, 2024
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
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
通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。
Sep, 2019