面向生物学中图分类的高效鲁棒持续图学习
机器学习
2025-10-29 v1 定量方法
摘要
图分类对于理解复杂生物系统至关重要，其中分子结构和相互作用自然地表示为图。传统图神经网络（GNN）在静态任务中表现良好，但由于灾难性遗忘，在动态环境中表现不佳。我们提出了扰动与稀疏化持续图学习（PSCGL），这是一个用于图数据分类的鲁棒且高效的持续图学习框架，专门针对生物数据集。我们引入了一种扰动采样策略来识别对模型学习有贡献的关键数据点，以及一种基于 motif 的图稀疏化技术，以在保持性能的同时减少存储需求。此外，我们的 PSCGL 框架本身能够防御图后门攻击，这对于敏感生物学背景中的应用至关重要。在生物数据集上的大量实验表明，PSCGL 不仅能在任务间保留知识，还提升了生物学中图分类模型的效率与鲁棒性。
引用
@article{arxiv.2411.11668,
title = {Efficient and Robust Continual Graph Learning for Graph Classification in Biology},
author = {Ding Zhang and Jane Downer and Can Chen and Ren Wang},
journal= {arXiv preprint arXiv:2411.11668},
year = {2025}
}