计算机研究与发展

作者：刘壮,董子宸,董宜琳,尚家名,张帆,陈雨然,楼佩妍,孙欣然,王昱,赵军,WayneLin,

关键词：图终身学习（LGL）, 图神经网络（GNN）, 重放, 正则化, 持续学习, 增量学习, 灾难性遗忘,

图终身学习（lifelonggraphlearning，LGL）是一个新兴领域，旨在实现对图结构数据的持续学习，以解决现有任务上的灾难性遗忘问题，并使得顺序更新的模型能够适应新出现的图任务.尽管LGL展现出良好的学习能力，但如何持续提高其性能仍然是一个至关重要的问题.为填补现有研究对这一方面的空白，对最近在LGL领域的研究进行了全面调查和总结.首先，重新分类了LGL的现有方法，重点关注克服灾难性遗忘的方法.随后，系统地分析了这些方法的优缺点，并探讨了实现持续性能提升的潜在解决方案.该研究着重于如何在持续学习的过程中避免对旧任务的遗忘，同时快速适应新任务的挑战.最后，还就LGL的未来发展方向进行了讨论，涵盖了其在应用领域、开放性问题等方面的潜在影响，并具体分析了这些方向对持续性能改进的潜在影响.这些讨论将有助于指导未来LGL研究的方向，推动这一领域的进一步发展与应用.

来源：2024年第8期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第8期