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
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
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。
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
本文综述了图学习的应用和限制，介绍了无法应用于动态图形的图学习方法以及近年来不断受到研究关注的图生命周期学习方法的分类、潜在应用和未解决的研究问题。
Feb, 2022
本文提出了一种适应性动态规划的视角来处理图形的 Continual learning 问题，建立起一种学习新任务和记忆以前学习任务之间的两人博弈模型，并且通过在多个图形基准下的综合消融研究证明了其表现的最先进性。
May, 2023
最近几年，连续学习技术在从流数据中保留知识的同时进行学习方面取得了重要的进展，但现有的评估框架不适用于具有图结构数据的情况。本研究提出了一个考虑图结构数据的图感知评估框架，解决了以往评估框架的局限性，并在连续学习、连续图学习和动态图学习领域进行了大量实验验证。
Jun, 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
连续学习是一个研究领域，旨在构建能够在不重新训练的情况下连续积累不同任务知识的机器学习模型。本文提出了第一个用于时空图的连续图学习基准，并将其用于评估在这一新领域中著名的连续图学习方法。通过标准性能指标的基准测试，我们研究了连续图学习方法的类和任务顺序敏感性，以及带有不同宽度和深度的骨干 GNN 架构的连续图学习方法的架构敏感性。我们发现，任务顺序稳健的方法仍可能对类别顺序敏感，并观察到与先前经验观察相矛盾的结果，这些观察促使我们对连续学习的架构敏感性产生了新的认识。
Jan, 2024