GCAL：适用于演化域迁移的图模型适应
机器学习
2025-05-23 v1 人工智能
摘要
本文解决图域适应器处理演化的、多源离散分布(OOD)图的问题。常规图域适应方法局限于单步适应，无法处理持续的域迁移，容易出现灾难性遗忘。本文引入Graph Continual Adaptive Learning(GCAL)方法，旨在增强模型在各种图域中的可持续性和适应性。GCAL采用双层优化策略。"适应”阶段采用信息最大化方法，通过新图域微调模型的同时重新适应过去的记忆，以缓解遗忘。"生成记忆”阶段基于信息瓶颈理论推导的下界，涉及变分记忆图生成模块，将原始图压缩为记忆。广泛的实验评估表明，GCAL在适应性和知识保留方面显著优于现有方法。
引用
@article{arxiv.2505.16860,
title = {GCAL: Adapting Graph Models to Evolving Domain Shifts},
author = {Ziyue Qiao and Qianyi Cai and Hao Dong and Jiawei Gu and Pengyang Wang and Meng Xiao and Xiao Luo and Hui Xiong},
journal= {arXiv preprint arXiv:2505.16860},
year = {2025}
}
备注
Accepted to ICML 2025