非样本持续图学习中的实例-原型亲和力学习
机器学习
2025-05-16 v1
摘要
图神经网络（GNN）在持续学习新知识时遭受灾难性遗忘，破坏了其在吸收新信息的同时保留先前习得知识的能力。基于重演的技术重新审视历史样本，作为缓解这一现象的主要策略。然而，记忆爆炸和隐私侵犯对其效用施加了重大限制。非样本方法通过原型重演（Prototype Replay, PR）规避了上述问题，但特征漂移带来了新的挑战。在本文中，我们的实证发现表明原型对比学习（Prototype Contrastive Learning, PCL）表现出比传统 PR 更不明显的漂移。基于 PCL，我们提出了实例-原型亲和力学习（Instance-Prototype Affinity Learning, IPAL），一种用于非样本持续图学习（Non-Exemplar Continual Graph Learning, NECGL）的新范式。利用图结构信息，我们构建了拓扑集成高斯原型（Topology-Integrated Gaussian Prototypes, TIGP），引导特征分布朝向高影响力节点，以增强模型吸收新知识的能力。实例-原型亲和力蒸馏（Instance-Prototype Affinity Distillation, IPAD）通过正则化类关系中的不连续性来保护任务记忆。此外，我们在 PCL 中嵌入了决策边界感知（Decision Boundary Perception, DBP）机制，促进更大的类间可判别性。在四个节点分类基准数据集上的评估表明，我们的方法优于现有的最先进方法，在塑性和稳定性之间取得了更好的平衡。
引用
@article{arxiv.2505.10040,
title = {Instance-Prototype Affinity Learning for Non-Exemplar Continual Graph Learning},
author = {Lei Song and Jiaxing Li and Shihan Guan and Youyong Kong},
journal= {arXiv preprint arXiv:2505.10040},
year = {2025}
}