論文の概要: CoPE-CGL: Community-aware Prototype Extraction for Replay-Free Continual Graph Learning

• arxiv url: http://arxiv.org/abs/2610.35313v2
• Date: Tue, 27 Oct 2026 04:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.174039
• Title: CoPE-CGL: Community-aware Prototype Extraction for Replay-Free Continual Graph Learning
• Title（参考訳）: CoPE-CGL:リプレイフリー連続グラフ学習のためのコミュニティ対応プロトタイプ抽出
• Abstract要約: 連続的なグラフ学習は、スクラッチから再トレーニングすることなく、グラフが進化するにつれてモデルを維持する。 既存のメソッドは通常、トランスダクティブまたはインダクティブな設定をターゲットとし、しばしば過去のサブグラフを保存するか、推論時にタスク識別子を必要とする。 マルチホップラプラシアン平滑化を前提とした,パラメータフリーな事前構造を用いたリプレイフリーフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.663417755125449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual graph learning (CGL) maintains models as graphs evolve without retraining from scratch, while mitigating catastrophic forgetting. Existing methods typically target either transductive or inductive settings and often store past subgraphs or require task identifiers at inference. We propose Community-aware Prototype Extraction for Continual Graph Learning (CoPE-CGL), a replay-free framework that uses a parameter-free structural prior, precomputed by multi-hop Laplacian smoothing, to anchor learning, memory, and inference. CoPE-CGL combines topology-infused bottleneck adaptation, community-level prototypes, and dynamic routing by majority vote over node-to-prototype matches. The default protocol assumes each test graph comes from one learned task; a node-level variant handles mixed-task graphs. Each task adds at most a constant amount of storage, with no past graph data retained. At equal storage and without task identifiers, CoPE-CGL matches the strongest replay baseline even when it receives true task identifiers: average performance (AP) is 95.17% and 95.72% versus 94.28% and 95.82% on Arxiv and CoraFull, respectively, with 5.9-14.0 times faster runtime and zero forgetting. Across four transductive and three inductive benchmarks and mixed streams, CoPE-CGL exceeds the second-best of up to eleven baselines by up to 1.41, 6.32, and 9.33 AP percentage points, respectively. It runs 1.3-7.9 times faster end-to-end than the most accurate competitor on each benchmark and scales to the largest benchmark graph. On graphs mixing two tasks, its node-level variant achieves the best AP among CGL methods. The design targets homophilic graphs with community structure.
• Abstract（参考訳）: 連続グラフ学習(CGL)は、グラフがスクラッチから再学習することなく進化し、破滅的な忘れを軽減しながらモデルを維持する。 既存のメソッドは通常、トランスダクティブまたはインダクティブな設定をターゲットとし、しばしば過去のサブグラフを保存するか、推論時にタスク識別子を必要とする。 マルチホップラプラシアスムースメントによりプリ計算され,学習,記憶,推論をアンカーする,パラメータフリーな構造前処理フレームワークであるCommunity-Aware Prototype extract for Continual Graph Learning (CoPE-CGL)を提案する。 CoPE-CGLは、トポロジに注入されたボトルネック適応、コミュニティレベルのプロトタイプ、およびノード対プロトタイプマッチに対する多数決による動的ルーティングを組み合わせる。 デフォルトのプロトコルでは、各テストグラフは1つの学習されたタスクから来ていると仮定している。 各タスクは、過去のグラフデータを保持することなく、少なくとも一定量のストレージを追加します。 平均性能(AP)は95.17%、95.72%は94.28%、95.82%はArxivとColaFullで、それぞれ5.9-14.0の高速ランタイムとゼロのリプレーベースラインである。 4つのトランスダクティブベンチマークと3つのインダクティブベンチマークと混合ストリームで、CoPE-CGLは最大11のベースラインを最大1.41、最大6.32、9.33APパーセンテージで上回っている。 ベンチマークの最も正確な競合相手よりも1.3-7.9倍高速で、最大のベンチマークグラフにスケールする。 2つのタスクを混合するグラフについて、ノードレベルの変種はCGLメソッドの中で最高のAPを達成する。 この設計は、コミュニティ構造を持つホモフィルグラフをターゲットにしている。

関連論文リスト

• Message Passing Does More with Less for In-Context Learning on Graphs [31.05167488649796]
  スパースメッセージパッシング上に構築された新しいグラフ・イン・コンテキスト学習ツールであるEphrisを紹介する。 51ノード分類データセットのEphrisを、15の広範囲に調整されたGNNと既存のグラフICL法に対して評価した。 推論コストは、以前のグラフICLモデルよりも10倍以上高速で、1つのGNNのトレーニングに匹敵する。
  論文  参考訳（メタデータ） (2026-09-29T08:59:16Z)
• GTA: Graph Theory Agent and Benchmark for Algorithmic Graph Reasoning with LLMs [50.68372832207766]
  Graph Theory Bench (GT Bench) は、44のタスク構造設定において24の古典的なグラフ問題をカバーするベンチマークである。 GT Benchは、精度が入力表現と強く結びついていることを示している。 本稿では,選好学習された表現セレクタと計画と分解の足場を組み合わせたグラフ理論エージェント(GTA)を提案する。
  論文  参考訳（メタデータ） (2026-09-10T22:50:10Z)
• GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
  GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-11T18:10:01Z)
• Prompt-Driven Continual Graph Learning [35.58675758528851]
  連続グラフ学習(CGL)は、事前の知識を忘れずに、グラフデータを進化させる新しいタスクに対応することを目的としている。 本稿では,各タスクに対する個別のプロンプトを学習し,基礎となるグラフニューラルネットワークモデルを固定した新しいプロンプト駆動連続グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:28:11Z)
• Replay-and-Forget-Free Graph Class-Incremental Learning: A Task Profiling and Prompting Approach [28.194940062243003]
  クラス増分学習(Class-incremental Learning, CIL)は、一連のタスクを連続的に学習することを目的としており、各タスクは固有のクラスで構成されている。 CILの主な特徴は、推論中にタスク識別子(ID)が存在しないことである。 グラフデータに対する正確なタスクID予測はラプラシアスムースティングに基づくグラフタスクプロファイリング手法により実現できることを示す。
  論文  参考訳（メタデータ） (2024-10-14T09:54:20Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• 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)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。