論文の概要: Analytic Drift Resister for Non-Exemplar Continual Graph Learning

• arxiv url: http://arxiv.org/abs/2604.02633v1
• Date: Fri, 03 Apr 2026 01:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.272152
• Title: Analytic Drift Resister 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分析ドリフト試薬
• Authors: Lei Song, Shihan Guan, Youyong Kong,
• Abstract要約: Non-Exemplar Continual Graph Learning (NECGL)は、リハーサルベースのパラダイムに固有のプライバシーリスクを取り除くことを目的としている。 NECGLフレームワークであるADR(Analytic Drift Resister)を提案する。 ADRは反復的バックプロパゲーションを利用して、凍結した事前訓練された制約から解放する。
• 参考スコア（独自算出の注目度）: 23.86709351309769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-Exemplar Continual Graph Learning (NECGL) seeks to eliminate the privacy risks intrinsic to rehearsal-based paradigms by retaining solely class-level prototype representations rather than raw graph examples for mitigating catastrophic forgetting. However, this design choice inevitably precipitates feature drift. As a nascent alternative, Analytic Continual Learning (ACL) capitalizes on the intrinsic generalization properties of frozen pre-trained models to bolster continual learning performance. Nonetheless, a key drawback resides in the pronounced attenuation of model plasticity. To surmount these challenges, we propose Analytic Drift Resister (ADR), a novel and theoretically grounded NECGL framework. ADR exploits iterative backpropagation to break free from the frozen pre-trained constraint, adapting to evolving task graph distributions and fortifying model plasticity. Since parameter updates trigger feature drift, we further propose Hierarchical Analytic Merging (HAM), performing layer-wise merging of linear transformations in Graph Neural Networks (GNNs) via ridge regression, thereby ensuring absolute resistance to feature drift. On this basis, Analytic Classifier Reconstruction (ACR) enables theoretically zero-forgetting class-incremental learning. Empirical evaluation on four node classification benchmarks demonstrates that ADR maintains strong competitiveness against existing state-of-the-art methods.
• Abstract（参考訳）: Non-Exemplar Continual Graph Learning (NECGL)は、破滅的な忘れを緩和するための生グラフの例ではなく、クラスレベルのプロトタイプ表現のみを保持することによって、リハーサルベースのパラダイムに固有のプライバシーリスクを取り除くことを目指している。 しかし、この設計選択は必然的に特徴の漂流を生じさせる。 解析連続学習 (ACL) は, 凍結事前学習モデルの本質的な一般化特性を利用して, 連続学習性能を向上する。 それでも、重要な欠点は、モデル可塑性の顕著な減衰にある。 これらの課題を克服するため,我々は新奇で理論的に根ざしたNECGLフレームワークであるADR(Analytic Drift Resister)を提案する。 ADRは反復的バックプロパゲーションを利用して、凍結した事前訓練された制約から解放し、進化するタスクグラフの分布に適応し、モデルの可塑性を補強する。 パラメータ更新により特徴のドリフトが引き起こされるため,グラフニューラルネットワーク(GNN)における線形変換の階層的マージをリッジレグレッションにより実現し,特徴のドリフトに対する絶対的な耐性を確保する階層的解析マージ(HAM)を提案する。 解析的分類器再構成(ACR)は理論的にゼロフォッゲッティングなクラス増分学習を可能にする。 4つのノード分類ベンチマークの実証的な評価は、ADRが既存の最先端手法に対して強い競争力を保っていることを示している。

関連論文リスト

• The Final-Stage Bottleneck: A Systematic Dissection of the R-Learner for Network Causal Inference [0.0]
  本稿ではR-Learnerフレームワークグラフを体系的に解析する。 最終段階のCATE推定器の帰納バイアスがパフォーマンスの第一の要因であるという厳密な証拠を初めて提示する。 我々は微妙でトポロジに依存した「ニュアンスボトルネック」を識別し、機械的説明を提供する。
  論文  参考訳（メタデータ） (2025-11-17T06:16:04Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Instance-Prototype Affinity Learning for Non-Exemplar Continual Graph Learning [7.821213342456415]
  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。
  論文  参考訳（メタデータ） (2025-05-15T07:35:27Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
  間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。 本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。 我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
  論文  参考訳（メタデータ） (2025-03-25T15:27:32Z)
• Adaptive Gradient Clipping for Robust Federated Learning [8.268485501864939]
  本稿では,適応型クリッピング戦略である適応ロバストクリッピング(ARC)を提案し,入力勾配に基づいて動的にクリッピング閾値を調整する。 ARCは、特に高度に異質で対向的な設定において、ロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-23T11:00:31Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)

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。