論文の概要: MAGIC: Topology-Aware Analytic Graph Few-Shot Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2610.04963v1
• Date: Sun, 04 Oct 2026 05:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:33:36.255351
• Title: MAGIC: Topology-Aware Analytic Graph Few-Shot Class-Incremental Learning
• Title（参考訳）: MAGIC:Topology-Aware Analytic Graph Few-Shot Class-Incremental Learning
• Abstract要約: Graph few-shot class-incremental learning (GFSCIL)は、少数のラベル付きノードから出現するクラスを継続的に認識するモデルを必要とする。 本稿では,凍結グラフ表現バックボーンと解析的連続学習を組み合わせたリプレイフリーなGFSCILフレームワークMAGICを提案する。
• 参考スコア（独自算出の注目度）: 22.10628600294491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph few-shot class-incremental learning (GFSCIL) requires a model to continually recognize emerging classes from only a few labeled nodes while preserving previously acquired knowledge. Beyond the catastrophic forgetting inherited from conventional graph continual learning, GFSCIL presents two distinctive challenges: extremely limited novel-class supervision causes severe overfitting, while cross-session edges---edges connecting newly arriving nodes with historical nodes---alter historical propagation neighborhoods and thereby induce representation drift. We propose MAGIC, a replay-free GFSCIL framework that combines a frozen graph representation backbone (e.g., an intrinsically parameter-free backbone such as SGC or a pretrained graph foundation model) with closed-form analytic continual learning. To alleviate novel-session overfitting, MAGIC learns a topological prior from the base graph that can characterize both homophilous and heterophilous relations, and injects this prior through Potts Markov random field inference to refine supervision for novel classes. To mitigate representation drift, MAGIC transfers previous predictions from the old representations of affected historical nodes to their updated representations through drift-aware analytic distillation. Experiments across five datasets and eight baselines demonstrate the effectiveness of MAGIC. Under the 5-shot setting, MAGIC improves Mean Accuracy and Final Accuracy by 5.48 percentage points and 9.33 percentage points on average, and reduces Performance Drop by 10.78 percentage points on average compared with the best baselines. MAGIC also shows clear advantages under the 1- and 3-shot settings, with larger gains as the number of supports increases. Moreover, MAGIC requires substantially less training time.
• Abstract（参考訳）: グラフ数ショットのクラスインクリメンタルラーニング(GFSCIL)では、事前に取得した知識を保ちながら、少数のラベル付きノードから新しいクラスを継続的に認識する必要がある。 GFSCILは、従来のグラフ連続学習から受け継がれた破滅的な忘れ物に加えて、非常に限られた新規クラスの監督が深刻な過度なオーバーフィッティングを引き起こす一方、クロスセッションエッジは、新しく到着したノードと歴史的なノードを接続するエッジである。 本稿では,凍結グラフ表現のバックボーン(例えば,SGCや事前学習したグラフ基盤モデルなど,本質的にパラメータのないバックボーン)と閉形式解析的連続学習を組み合わせたリプレイフリーなGFSCILフレームワークであるMAGICを提案する。 ノベル・セッションオーバーフィッティングを緩和するために、MAGICは相同性と異種関係の両方を特徴付けることのできる基底グラフからトポロジカル事前を学習し、これをポッツマルコフ確率場推論を通じて注入し、新しいクラスの監督を洗練させる。 表現のドリフトを緩和するために、MAGICは、影響のある履歴ノードの古い表現から、ドリフト対応の分析蒸留を通じて更新された表現へ、以前の予測を転送する。 5つのデータセットと8つのベースラインにわたる実験は、MAGICの有効性を示している。 5ショット設定で、MAGICは平均精度と最終精度を平均5.48ポイント、9.33ポイント改善し、最高のベースラインと比較して平均10.78ポイント低下させる。 MAGICは1ショットと3ショットの設定で明らかなアドバンテージを示しており、サポートの数が増えるにつれて大きく向上している。 さらに、MAGICはトレーニング時間を大幅に短縮する。

関連論文リスト

• BAED: a New Paradigm for Few-shot Graph Learning with Explanation in the Loop [14.41672697491523]
  FSGL(Few-Shot Graph Learning)アプローチは、長年にわたって開発されてきた。 本稿では, BAED と呼ばれる FSGL 問題に対する最初の説明---the-loop フレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T14:56:39Z)
• Perturbation Ontology based Graph Attention Networks [26.95077612390953]
  Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。 POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T17:12:14Z)
• Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
  本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。 トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。 そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T00:06:20Z)
• 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)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• A Simple Yet Effective Pretraining Strategy for Graph Few-shot Learning [38.66690010054665]
  本稿では,グラフ数ショット学習のための新しいパラダイムとして,シンプルなトランスダクティブな微調整型フレームワークを提案する。 事前学習のために,数発のノード分類に特有なデータ拡張戦略を持つ教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T22:30:00Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)

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。