GraphKeeper：基于知识解缔与保存的图域增量学习
机器学习
2026-03-11 v2 人工智能
摘要
图增量学习（Graph incremental learning, GIL）通过顺序知识获取来更新图模型，近年来受到广泛关注。然而，现有GIL方法仅聚焦于单个领域内的任务增量和类别增量场景。图域增量学习（Graph domain-incremental learning, Domain-IL）旨在跨多个图域更新模型，随着图基础模型（GFMs）的发展而成为关键问题，但在文献中尚未得到探索。为此，本文提出GraphKeeper，通过知识解缔与保存机制应对Domain-IL场景下的灾难性遗忘。具体而言，为防止跨增量图域的嵌入偏移和混淆，首先提出基于域特定的参数高效微调及类内外域解缔目标。随后，为维持稳定的决策边界，引入偏差自由知识保存以持续适应增量域。此外，针对不可观测域的图，执行域感知分布判别以获得精确嵌入。广泛实验表明，GraphKeeper以6.5%~16.6%的优势在Domain-IL任务上取得了最新结果，遗忘幅度可忽略不计。此外，我们展示GraphKeeper可无缝集成到各类代表性GFMs中，凸显其广泛的应用潜力。
引用
@article{arxiv.2511.00097,
title = {GraphKeeper: Graph Domain-Incremental Learning via Knowledge Disentanglement and Preservation},
author = {Zihao Guo and Qingyun Sun and Ziwei Zhang and Haonan Yuan and Huiping Zhuang and Xingcheng Fu and Jianxin Li},
journal= {arXiv preprint arXiv:2511.00097},
year = {2026}
}
备注
Accepted by the Main Track of NeurIPS-2025