論文の概要: \emph{DRIFT}: A Benchmark for Task-Free Continual Graph Learning with Continuous Distribution Shifts

• arxiv url: http://arxiv.org/abs/2605.12998v1
• Date: Wed, 13 May 2026 04:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.81752
• Title: \emph{DRIFT}: A Benchmark for Task-Free Continual Graph Learning with Continuous Distribution Shifts
• Title（参考訳）: \emph{DRIFT}: 継続的分散シフトを伴うタスクフリー連続グラフ学習のためのベンチマーク
• Authors: Guiquan Sun, Xikun Zhang, Jingchao Ni, Dongjin Song,
• Abstract要約: 連続グラフ学習(CGL)は、破滅的な忘れを軽減しつつ、動的に進化するグラフから学習することを目的としている。 既存のアプローチでは、データストリームが事前に定義された境界を持つ独立したタスクのシーケンスに分割される、タスクベースの定式化が一般的である。 タスクフリーの観点から連続グラフ学習を再考し、現実的な非定常環境をよりよく反映する。
• 参考スコア（独自算出の注目度）: 18.827073961587136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual graph learning (CGL) aims to learn from dynamically evolving graphs while mitigating catastrophic forgetting. Existing CGL approaches typically adopt a task-based formulation, where the data stream is partitioned into a sequence of discrete tasks with pre-defined boundaries. However, such assumptions rarely hold in real-world environments, where data distributions evolve continuously and task identity is often unavailable. To better reflect realistic non-stationary environments, we revisit continual graph learning from a task-free perspective. We propose a unified formulation that models the data stream as a time-varying mixture of latent task distributions, enabling continuous modeling of distribution drift. Based on this formulation, we construct DRIFT, a benchmark that spans a spectrum of transition dynamics ranging from hard task switches to smooth distributional drift through a Gaussian parameterization. We evaluate representative continual learning methods under this task-free setting and observe substantial performance degradation compared to traditional task-based protocols. Our findings indicate that many existing approaches implicitly rely on task boundary information and struggle under realistic task-free graph streams. This work highlights the importance of studying continual graph learning under realistic non-stationary conditions and provides a benchmark for future research in this direction. Our code is available at https://github.com/gqBond/DRIFT.
• Abstract（参考訳）: 連続グラフ学習(CGL)は、破滅的な忘れを軽減しつつ、動的に進化するグラフから学習することを目的としている。 既存のCGLアプローチでは、データストリームを定義された境界を持つ独立したタスクのシーケンスに分割するタスクベースの定式化が一般的である。 しかし、そのような仮定は、データ分散が継続的に進化し、タスクのアイデンティティがしばしば利用できない現実の環境では、ほとんど成り立たない。 現実的な非定常環境をよりよく反映するために,タスクフリーの観点から連続的なグラフ学習を再考する。 本稿では,データストリームを潜在タスク分布の時間変化混合としてモデル化し,分散ドリフトの連続的モデリングを可能にする統一型定式化を提案する。 この定式化に基づいて、ハードタスクスイッチからガウスパラメータ化によるスムーズな分散ドリフトまで、遷移ダイナミクスのスペクトルにまたがるベンチマークであるDRIFTを構築する。 本研究では,このタスクフリーな環境下での代表的な連続学習手法を評価し,従来のタスクベースプロトコルと比較して,大幅な性能劣化を観測する。 その結果,既存の多くのアプローチはタスク境界情報に暗黙的に依存し,現実的なタスクフリーグラフストリーム下での苦労が示唆された。 この研究は、現実的な非定常条件下で連続グラフ学習を研究することの重要性を強調し、今後の研究のためのベンチマークを提供する。 私たちのコードはhttps://github.com/gqBond/DRIFT.comから入手可能です。

関連論文リスト

• Learning with Preserving for Continual Multitask Learning [4.847042727427382]
  タスク出力の保存から共有表現空間の維持に焦点を移す新しいフレームワークであるLawP(Learning with Preserving)を紹介した。 LwPは破滅的な忘れを緩和するだけでなく、CMTLタスクにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-11T22:23:20Z)
• GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning [13.481673780508215]
  GRAILは、検索強化推論のための大規模グラフと相互作用するように設計されたフレームワークである。 GRAILは知識グラフ問合せデータセットの平均精度を21.01%改善し、F1改善を22.43%改善する。
  論文  参考訳（メタデータ） (2025-08-07T15:34:41Z)
• 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)
• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• Learning Representations on the Unit Sphere: Investigating Angular Gaussian and von Mises-Fisher Distributions for Online Continual Learning [7.145581090959242]
  本稿では,新たな損失関数を備えたメモリベース表現学習手法を提案する。 提案手法は,タスク境界がぼやけた標準的な評価シナリオと現実的なシナリオの両方において,現状の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-06T02:38:01Z)
• Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
  グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。 既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。 本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:55:37Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• SimCS: Simulation for Domain Incremental Online Continual Segmentation [60.18777113752866]
  既存の継続学習アプローチは、主にクラス増分設定における画像分類に焦点を当てている。 シミュレーションデータを用いて連続学習を規則化するパラメータフリー手法であるSimCSを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:17:33Z)

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。