本文提出一种基于持续学习的流式 GNN 模型，通过信息传播和数据重放与模型正则化相结合，实现了对新模式和既有模式的同时维护，解决了历史知识被新知识覆盖的灾难性遗忘问题。在多个实验数据集上的节点分类结果表明，该模型能有效地更新模型参数并达到与重新训练相当的性能。

Sep, 2020

我们提出了一种针对图学习中的灾难性遗忘问题的方法，在数据从一个图分布过渡到另一个图分布时，通过维持图的局部和全局结构一致性的排练机制来保持对过去任务的知识，并在实际图数据集中与各种持续学习基线进行了性能评测，取得了平均性能和任务遗忘方面的显著改进。

Aug, 2023

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

连续图学习领域的系统综述，对连续图学习算法的任务设置、模型设计和应用进行分类和比较，分析其与传统连续学习技术的适用性以及存在的挑战和未来方向。

Feb, 2024

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

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

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

连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

Aug, 2023

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

本研究通过将经验回放应用于连续图学习范式，提出了一种基于 ER-GNN 的框架。该框架存储来自先前任务的知识和经验，在学习新任务时重放它们以缓解现有 GNN 中的灾难性遗忘问题，并探索了三种经验节点选择策略。我们在三个基准数据集上进行了广泛的实验，证明了我们提出的 ER-GNN 的有效性，并为非欧几里德增量图结构学习提供了新的思路。

Mar, 2020