論文の概要: CA-DGCL: Dynamic Graph Continual Learning via Condensation and Attachment

• arxiv url: http://arxiv.org/abs/2607.11112v1
• Date: Mon, 13 Jul 2026 05:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.340677
• Title: CA-DGCL: Dynamic Graph Continual Learning via Condensation and Attachment
• Title（参考訳）: CA-DGCL: 凝縮とアタッチメントによる動的グラフ連続学習
• Authors: Tingxu Yan Ye Yuan,
• Abstract要約: コンデンサとアタッチメント(CA-DGCL)による動的グラフ連続学習のための新しいフレームワークを提案する。 CA-DGCLは、まず歴史的グラフスナップショットをコンパクトな意味表現に効率的に凝縮する。 これらのノード機能は、新しいノードを生成するために使用され、過去の情報を再生するために現在のグラフにアタッチされる。 追加では、動的グラフ設定にもっと適するように、洗練された忘れ方策が導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic graph continual learning (DGCL) is an effective manner for handling catastrophic forgetting in dynamic graphs. However, existing DGCL methods underutilize temporal information across graph snapshots. To address this critical issue, we propose a novel framework for Dynamic Graph Continual Learning via Condensation and Attachment (CA-DGCL). Specifically, CA-DGCL first condenses historical graph snapshots into compact semantic representations efficiently. Further, a cross-timestamp node chains is built to construct a third-order tensor and Tucker decomposition is applied to this tensor for obtaining stable node features, which encapsulate historical knowledge. Finally, these node features are used to generate new nodes and attached to the current graph for replaying of past information without compromising the new patterns. In addtion, a refined forgetting measure is introduced to make it more suitable for dynamic graph settings. Extensive experiments demonstrate that CA-DGCL outperforms baselines in forgetting suppression as well as maintain competitive accuracy, proving its efficacy for dynamic graph continual learning.
• Abstract（参考訳）: 動的グラフ連続学習(DGCL)は、動的グラフにおける破滅的忘れを効果的に扱う方法である。 しかし、既存のDGCL法では、グラフスナップショット間の時間的情報を利用する。 本稿では,この重要な問題に対処するために,CA-DGCL(Condensation and Attachment)を用いた動的グラフ連続学習のための新しいフレームワークを提案する。 特にCA-DGCLは、まず歴史的グラフのスナップショットをコンパクトな意味表現に効率的に凝縮する。 さらに、三階テンソルを構成するためにクロスタイムスタンプノードチェーンを構築し、このテンソルにタッカー分解を適用して、歴史的知識をカプセル化した安定したノード特徴を得る。 最後に、これらのノード機能は新しいノードを生成するために使用され、新しいパターンを妥協することなく過去の情報を再生するために現在のグラフにアタッチされる。 追加では、動的グラフ設定にもっと適するように、洗練された忘れ方策が導入された。 大規模な実験により、CA-DGCLは抑制を忘れ、競争精度を維持し、動的グラフ連続学習の有効性を証明した。

関連論文リスト

• Condensation-Concatenation Framework for Dynamic Graph Continual Learning [5.183200614613901]
  本稿では,CCC(Continual Learning)という,動的グラフの連続学習フレームワークを提案する。 CCCは、まず歴史グラフのスナップショットをコンパクトな表現に凝縮し、元のラベル分布とトポロジ特性を保存することを目的としている。 CCCは、4つの実世界のデータセットにわたる最先端のベースラインよりも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） (2025-12-12T06:32:16Z)
• Dynamic Graph Condensation [40.099854631984556]
  動的グラフにおける時間的拡張は、重要なデータ効率の課題を引き起こす。 実動的グラフをコンパクトなバージョンに凝縮するフレームワークであるDyGCを提案する。 提案手法は, 最大96.2%のDGNN性能を保ち, 元のグラフサイズは0.5%に留まり, 最大1846倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-06-16T05:11:29Z)
• Scalable Graph Condensation with Evolving Capabilities [23.957382415342735]
  下流タスクを高速化するグラフ凝縮法 (GC) が提案されている。 既存のアプローチは、現実のグラフデータの本質的動的で進化的な性質と矛盾する静的なトレーニングセットを批判的に仮定する。 この研究は連続グラフ凝縮のための新しいフレームワークを導入し、コストのかかる再学習を必要とせず、蒸留グラフの効率的な更新を可能にする。
  論文  参考訳（メタデータ） (2025-02-24T20:01:57Z)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• PUMA: Efficient Continual Graph Learning for Node Classification with Graph Condensation [49.00940417190911]
  既存のグラフ表現学習モデルは、新しいグラフを学習する際に破滅的な問題に遭遇する。 本稿では,PUMA(PUdo-label guided Memory bAnkrogation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T05:09:58Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• DyGCN: Dynamic Graph Embedding with Graph Convolutional Network [25.02329024926518]
  動的グラフ畳み込みネットワーク(DyGCN)の効率的な動的グラフ埋め込み手法を提案する。 私たちのモデルは、ノードの埋め込みを時間節約とパフォーマンス保存の方法で更新できます。
  論文  参考訳（メタデータ） (2021-04-07T07:28:44Z)
• K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
  動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。 従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-22T14:15:27Z)

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。