自主学习的自适应黎曼空间中连续图学习

AAAINov, 2022

自主学习的自适应黎曼空间中连续图学习

Self-Supervised Continual Graph Learning in Adaptive Riemannian Spaces

Li Sun, Junda Ye, Hao Peng, Feiyang Wang, Philip S. Yu

TL;DR本文提出了一种自我监督的自适应黎曼空间图连续学习算法 (RieGrace)，通过设计一个自适应黎曼 GCN (AdaRGCN) 和一个无需标签的洛伦兹蒸馏方法，实现了在可适应曲率变化的黎曼空间中连续地学习来自连续出现的图。实验结果表明这种方法优于现有的基于欧几里得空间和带标签方法，同时也研究了曲率如何随着图序列而变化。

Abstract

continual graph learning routinely finds its role in a variety of real-world applications where the graph data with different tasks come sequentially. Despite the success of prior works, it still faces great challenges. On the one hand, existing methods work with the zero-curvature Euc

continual graph learning adaptive riemannian spaces self-supervised learning curvature adaptation label-free distillation

发现论文，激发创造

自监督的混合曲率图神经网络

本文提出了一种新颖的自监督混合曲率图神经网络 (SelfMGNN)，通过多个 Riemannian 组件空间的笛卡尔积构建了混合曲率空间，并设计了分层注意机制来学习和融合这些组件空间中的表示，以解决图表示学习中现有方法对图结构的复杂性和标签数据的依赖问题，并且通过对比实验证明了 SelfMGNN 的性能优于现有的基准模型。

Dec, 2021

图关系感知的持续学习

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

基于模式感知的黎曼图神经网络及生成对比学习

提出了所谓的 MotifRGC 模型，该模型使用了 Motif-aware Riemannian generative-contrastive learning 方法，以捕捉构建出的曲率多重流形中的 Motif 规律，无需外部标签即可学习节点表示，并取得了良好的实证结果。

Jan, 2024

探索数据几何在连续学习中的应用

本文从数据几何的角度出发，研究了在不断变化的数据流中的持续学习问题。研究者提出了一种动态扩展底层空间几何结构的方法，配合使用各向异性空间与混合曲率空间对增长的几何结构进行编码。同时，引入了角度正则化损失与近邻抗扰损失的训练方式，在防止旧数据遗忘的前提下，取得了比欧氏空间方案更好的表现。

Apr, 2023

基于解缠的连续图表示学习

研究提出了一种基于分解的连续图表示学习框架 (DiCGRL)，可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。

Oct, 2020

基于强化的关系图持续学习

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

持续图学习：概览

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

常曲率图卷积网络

本文介绍了一种通过使用（产品）恒定曲率空间的图神经网络的数学基础来建模非欧几里德几何的方法，并利用类欧几里得的重心坐标来扩展了图卷积网络，实现了对特定真实世界数据特性（例如无标度、分层或循环）的归纳偏差，经实验证明，在符号数据的节点分类和畸变最小化任务中，我们的方法比欧几里得图卷积网络表现出更好的性能。

Nov, 2019

DeepRicci：自我监督的图结构特征协同细化，缓解过度压缩

通过自我监督的黎曼模型 DeepRicci，利用黎曼几何中的里奇曲率对典型图神经网络进行超平方压缩解决的计算、建模和利用里奇曲率的挑战，通过几何对比学习在不同几何视图之间优化节点特征并通过可微的里奇曲率背向流同时优化图结构

Jan, 2024

曲率图生成对抗网络

本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。

Mar, 2022