Jun, 2024

AGALE: 图感知的持续学习评估框架

PDF
TL;DR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。
continual learningevaluation frameworksgraph-structured datagraph-aware evaluation frameworkmulti-labeled nodes
发现论文，激发创造
  • 图上的持续学习：挑战、解决方案和机遇

    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

  • 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

  • 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

  • AGL：面向工业应用的可扩展图机器学习系统

    提出了一种基于成熟基础架构的可扩展、容错和集成训练和推理的 AGL 系统，采用图传递机制和 MapReduce 算法来训练和推理图神经网络，同时通过生成每个节点的信息完整子图以及在参数服务器上训练来解决图形结构中的数据依赖性问题。

    Mar, 2020

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 在图序列上连续学习 -- 动力系统方法

    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

  • 基于骨骼的动作识别的连续图学习敏感性基准测试

    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

  • BeGIN: 图连续学习的广泛基准场景和易于使用的框架

    本文介绍了一种针对图数据的持续学习方法，提供了标准的增量设置和基准测试场景，并使用 BeGin 框架对七种图像 CL 方法进行评估，其组合情况是最新基准测试的三倍。

    Nov, 2022

  • 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