基于解耦的连续图表示学习
机器学习
2020-11-25 v4 人工智能
社会与信息网络
摘要
图嵌入（GE）方法将图中的节点（和/或边）嵌入低维语义空间，并在建模多关系数据方面展现出有效性。然而，现有 GE 模型忽视了流入数据的流式特性，在真实应用中不够实用。为解决该问题，我们研究连续图表示学习问题，旨在对新数据持续训练 GE 模型，以不断学习持续涌现的多关系数据，同时避免灾难性地遗忘旧有知识。此外，受人类学习程序性知识能力的启发，我们提出一种基于解耦的连续图表示学习（DiCGRL）框架。实验结果表明，DiCGRL 能有效缓解灾难性遗忘问题，并优于最先进的连续学习模型。
引用
@article{arxiv.2010.02565,
title = {Disentangle-based Continual Graph Representation Learning},
author = {Xiaoyu Kou and Yankai Lin and Shaobo Liu and Peng Li and Jie Zhou and Yan Zhang},
journal= {arXiv preprint arXiv:2010.02565},
year = {2020}
}