論文の概要: A Lightweight Plastic-Memory Framework for Graph Few-Shot Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2609.25781v1
• Date: Tue, 22 Sep 2026 07:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.26504
• Title: A Lightweight Plastic-Memory Framework for Graph Few-Shot Class-Incremental Learning
• Title（参考訳）: グラフFew-Shotクラスインクリメンタル学習のための軽量プラスチックメモリフレームワーク
• Abstract要約: 本稿では,グラフのインクリメンタル学習に特化して設計された,軽量なプラスチックメモリフレームワークを提案する。 既存の技術とは対照的に、我々のメモリモジュールは軽量かつ効果的であり、革新的なマイクロクラスタリング構造を特徴としている。 このメモリモジュール上に構築されたメモリ駆動型メタラーニングフレームワークは,外ループにおける初期タスクの安定性を維持しつつ,内部ループにおける新しいタスクへの適応性を向上する。
• 参考スコア（独自算出の注目度）: 10.755774952656436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Incremental Learning has garnered increasing attention as dynamic graph data continues to emerge across diverse fields. Conventional approaches primarily address catastrophic forgetting by preserving node-related knowledge through replay or distillation techniques; however, they often incur high computational costs and inefficiency. This issue is further exacerbated in real-world scenarios where labeled data for new classes is scarce. In this paper, we propose a novel lightweight plastic-memory framework specifically designed for few-shot incremental learning on graphs. The core idea of our framework is the construction of a plastic-memory module that evolves over time, continuously updating and expanding its memory to accommodate new classes while retaining previously learned knowledge. In contrast to existing techniques, our memory module is both lightweight and effective, featuring an innovative evolving micro-clustering structure that dynamically updates representations of class prototypes, sub-prototypes, and their interaction weights. Building on this memory module, we introduce a memory-driven meta-learning framework that enhances adaptability to new tasks in its inner loop while maintaining stability for earlier tasks in the outer loop. Extensive experiments on four benchmark datasets demonstrate the framework's superior performance in balancing stability for old knowledge and adaptability to new knowledge.
• Abstract（参考訳）: グラフインクリメンタルラーニング(Graph Incremental Learning)は、動的グラフデータがさまざまな分野にまたがって出現し続けるにつれ、注目を集めている。 従来のアプローチは、リプレイや蒸留技術を通じてノード関連の知識を保存することによって破滅的な忘れを主に扱うが、高い計算コストと非効率性をもたらすことが多い。 この問題は、新しいクラスのラベル付きデータが不足している実世界のシナリオでさらに悪化している。 本稿では,グラフのインクリメンタル学習に特化して設計された,軽量なプラスチックメモリフレームワークを提案する。 私たちのフレームワークの中核となる考え方は、時間とともに進化し、学習済みの知識を維持しながら、新しいクラスに対応するために、そのメモリを継続的に更新し拡張するプラスチックメモリモジュールの構築です。 既存の技術とは対照的に,我々のメモリモジュールは軽量かつ効果的であり,クラスプロトタイプ,サブプロトタイプ,およびそれらの相互作用重みの表現を動的に更新する,革新的なマイクロクラスタリング構造を備えている。 このメモリモジュール上に構築されたメモリ駆動型メタラーニングフレームワークは,外ループにおける初期タスクの安定性を維持しつつ,内部ループにおける新しいタスクへの適応性を向上する。 4つのベンチマークデータセットに関する大規模な実験は、古い知識に対する安定性と新しい知識への適応性のバランスをとる上で、フレームワークの優れたパフォーマンスを示している。

関連論文リスト

• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• Modular Memory is the Key to Continual Learning Agents [100.09688599754465]
  In-Weight Learning(IWL)の強みと、モジュラーメモリの設計を通じて新たに登場したIn-Context Learning(ICL)の機能を組み合わせることが、大規模に継続的適応するための欠片である、と我々は主張する。 我々は、ICLを高速適応と知識蓄積に活用するモジュール型メモリ中心アーキテクチャの概念的フレームワークと、モデル機能の安定した更新のためのIWLについて概説する。
  論文  参考訳（メタデータ） (2026-03-02T11:40:05Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Graph Memory Learning: Imitating Lifelong Remembering and Forgetting of Brain Networks [31.972924785859348]
  本稿では,BGML(Brain-inspired Graph Memory Learning)というグラフメモリ学習の新たな概念を紹介する。 BGMLは、記憶と忘れの潜在的な衝突を軽減するために、特徴グラフの粒度学習に根ざした多階層的階層的漸進学習機構を組み込んでいる。 さらに,新たに追加されるインクリメンタル情報における信頼できない構造の問題に対処するために,情報自己評価のオーナシップ機構を提案する。
  論文  参考訳（メタデータ） (2024-07-27T05:50:54Z)
• Towards Continuous Reuse of Graph Models via Holistic Memory Diversification [18.66123763295736]
  本稿では,より複雑なタスクを持つグラフの成長における漸進的学習の課題に対処する。 目標は、新しいタスクを処理するためにグラフモデルを継続的にトレーニングし、メモリリプレイによる以前のタスクの習熟性を維持することである。 既存の方法は、通常、以前のタスクから高品質なメモリを選択する際の制限として、メモリの多様性の重要性を見落としている。
  論文  参考訳（メタデータ） (2024-06-11T16:18:15Z)
• Evolving Knowledge Mining for Class Incremental Segmentation [113.59611699693092]
  クラスインクリメンタルセマンティック(CISS)は、最近、現実世界のアプリケーションにおいて大きな重要性があるため、トレンドとなっている。 冷凍バックボーンを用いた新規なkNowleDgeマイニング法を提案する。 提案手法を2つの広く使用されているベンチマークで評価し,新しい最先端性能を一貫して示す。
  論文  参考訳（メタデータ） (2023-06-03T07:03:15Z)
• A Memory Transformer Network for Incremental Learning [64.0410375349852]
  本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。 素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。 これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
  論文  参考訳（メタデータ） (2022-10-10T08:27:28Z)
• Learning to Learn Variational Semantic Memory [132.39737669936125]
  我々はメタラーニングに変分セマンティックメモリを導入し、数ショットラーニングのための長期的知識を得る。 セマンティックメモリはスクラッチから成長し、経験したタスクから情報を吸収することで徐々に統合される。 アドレスコンテンツから潜在記憶変数の変動推論としてメモリリコールを定式化する。
  論文  参考訳（メタデータ） (2020-10-20T15:05:26Z)

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。