持续图学习新突破：原型少30倍，准确率反升，遗忘近乎为零！
HCPN-GCN: Scaling Hierarchical Prototype Networks with Cone Geometry for Continual Graph Learning
📖 AI 总结
本文针对持续图学习中的灾难性遗忘问题，提出了一种名为HCPN-GCN的新方法。持续图学习要求模型在增量学习图结构数据的同时保留旧任务知识，而现有的层次原型网络虽能通过原型记忆机制避免存储历史数据，却因依赖线性特征提取器而难以利用图拓扑结构，且基于点的原型在结构多样的图上容易过度增长。HCPN-GCN用图卷积网络替换原有线性特征提取器，并引入基于锥体的原型及多样性正则化目标，从而生成更丰富的图感知表示，同时更紧凑地建模嵌入空间。在六个持续图学习基准上的实验表明，该方法在保持近乎零遗忘的同时，平均分类准确率稳定优于原始层次原型网络和代表性持续学习基线；其类级原型层次更为丰富，而所需原子原型数量仅为原方法的约三十分之一，为持续图学习提供了更紧凑有效的记忆表示。
🔑 关键词速览
| Continual Graph Learning (CGL) | 持续图学习，一种从图结构数据中增量学习并保留旧知识的学习范式。 |
| Catastrophic Forgetting | 灾难性遗忘，模型在学习新任务时严重遗忘旧任务知识的现象。 |
| Hierarchical Prototype Networks (HPNs) | 分层原型网络，一种基于原型记忆机制避免存储历史数据的持续学习方法。 |
| Graph Convolutional Networks (GCNs) | 图卷积网络，一种能够有效利用图拓扑结构进行特征提取的神经网络。 |
| Cone-based Prototypes | 基于锥体的原型，用锥体几何表示原型以紧凑建模嵌入空间并减少原型数量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅