关键词continual graph learning
搜索结果 - 10
- CVPR使用潜在分位数匹配的数据集压缩
我们提出了一种新的方法：潜变量分位数匹配（LQM），通过匹配潜变量的分位数来最小化两个分布之间的拟合优度检验统计量，以解决现有分布匹配方法的缺点。实证实验表明，LQM 在基于分布匹配的数据集压缩中与或优于先前的最新技术。此外，我们展示了 L - SIGIRGPT4Rec: 图形提示调整的流媒体推荐
GPT4Rec 是一种用于流式推荐的图形提示调整方法，通过将图形模式解开为多个视图，并利用轻量级图形提示来引导模型适应用户 - 项目图中不同的交互模式，以综合理解图形并有效集成用户 - 项目交互的所有重要方面。
- 图上的连续学习：综述
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。
- 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 - PUMA：高效的连续图学习与图压缩
通过引入 PUMA CGL 框架，本文解决了 CaT 框架在处理流图时存在的遗忘问题和效率限制，并在四个数据集上展示了该方法在图表示学习中的卓越性能和高效性。
- CaT：带有图压缩的平衡渐进式图学习
连续图学习（CGL）旨在用以流式传入的图数据不断更新图模型。本论文提出了一种名为 “Condense and Train (CaT)” 的框架来解决 CGL 中存在的数据不平衡和历史分布近似问题，通过对新来的图进行精简并将其存入 “Cond - 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、 - 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。
- AAAI自主学习的自适应黎曼空间中连续图学习
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 - 通过经验重现克服图神经网络中的灾难性遗忘
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