論文の概要: Instance-Prototype Affinity Learning for Non-Exemplar Continual Graph Learning

• arxiv url: http://arxiv.org/abs/2505.10040v1
• Date: Thu, 15 May 2025 07:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.222436
• Title: Instance-Prototype Affinity Learning for Non-Exemplar Continual Graph Learning
• Title（参考訳）: 非経験的連続グラフ学習のためのインスタンスプロトタイプ親和性学習
• Authors: Lei Song, Jiaxing Li, Shihan Guan, Youyong Kong,
• Abstract要約: グラフニューラルネットワークは破滅的な忘れを耐え、以前獲得した知識を保持する能力を損なう。 非現代連続グラフ学習(NECGL)のための新しいパラダイムであるインスタンス型親和性学習(IPAL)を提案する。 我々は,PCL内に決定境界知覚機構を組み込み,クラス間識別性を向上する。
• 参考スコア（独自算出の注目度）: 7.821213342456415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNN) endure catastrophic forgetting, undermining their capacity to preserve previously acquired knowledge amid the assimilation of novel information. Rehearsal-based techniques revisit historical examples, adopted as a principal strategy to alleviate this phenomenon. However, memory explosion and privacy infringements impose significant constraints on their utility. Non-Exemplar methods circumvent the prior issues through Prototype Replay (PR), yet feature drift presents new challenges. In this paper, our empirical findings reveal that Prototype Contrastive Learning (PCL) exhibits less pronounced drift than conventional PR. Drawing upon PCL, we propose Instance-Prototype Affinity Learning (IPAL), a novel paradigm for Non-Exemplar Continual Graph Learning (NECGL). Exploiting graph structural information, we formulate Topology-Integrated Gaussian Prototypes (TIGP), guiding feature distributions towards high-impact nodes to augment the model's capacity for assimilating new knowledge. Instance-Prototype Affinity Distillation (IPAD) safeguards task memory by regularizing discontinuities in class relationships. Moreover, we embed a Decision Boundary Perception (DBP) mechanism within PCL, fostering greater inter-class discriminability. Evaluations on four node classification benchmark datasets demonstrate that our method outperforms existing state-of-the-art methods, achieving a better trade-off between plasticity and stability.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は破滅的な忘れを耐え、新しい情報の同化の中で獲得した知識を維持する能力を損なう。 リハーサルに基づく技術は歴史的事例を再考し、この現象を緩和するための主要な戦略として採用した。 しかし、メモリ爆発とプライバシー侵害は、彼らのユーティリティに重大な制約を課している。 プロトタイプ・リプレイ(PR)による先行問題を回避する非例の手法では,機能ドリフトは新たな課題を呈する。 本稿では,PCL(Prototype Contrastive Learning, Prototype Contrastive Learning, Prototype Contrastive Learning, PCL)が従来のPRよりも顕著なドリフトを示すことを示す。 PCL をベースとして,非現代連続グラフ学習(NECGL)の新しいパラダイムである Instance-Prototype Affinity Learning (IPAL) を提案する。 グラフ構造情報を抽出し,Topology-Integrated Gaussian Prototypes (TIGP) を定式化した。 インスタンス-プロトタイプ親和性蒸留(IPAD)は、クラス間の不連続性を規則化し、タスクメモリを保護する。 さらに,PCLにDBP(Decision boundary Perception)機構を組み込み,クラス間識別性の向上を図る。 4つのノード分類ベンチマークによる評価結果から,本手法は従来の手法よりも優れ,可塑性と安定性のトレードオフが良好であることが示された。

関連論文リスト

• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Towards Robust Incremental Learning under Ambiguous Supervision [22.9111210739047]
  インクリメンタル部分ラベル学習(IPLL)という,弱教師付き学習パラダイムを提案する。 IPLLは、新しいクラスが時々出現する、シーケンシャルな完全教師付き学習問題に対処することを目的としている。 我々は,代表性と多様性を維持しつつ,明瞭なサンプルを収集するメモリ再生技術を開発した。
  論文  参考訳（メタデータ） (2025-01-23T11:52:53Z)
• Idempotent Unsupervised Representation Learning for Skeleton-Based Action Recognition [13.593511876719367]
  教師なし表現学習のための新しい骨格ベース等等化生成モデル(IGM)を提案する。 ベンチマークデータセットであるNTU RGB+DとPKUMMDに関する実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-27T06:29:04Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。