Kontinuierliches Lernen hat sich als Schlüsselmethode zur Gewinnung neuer Erkenntnisse aus sequenziellen Daten und zum Erhalt früherer Kenntnisse etabliert. Das kontinuierliche Lernen von Graphen (CGL) weist dynamische Merkmale auf, die sich aus den fortlaufenden Daten ergeben, sowie eine einzigartige Herausforderung, die effiziente Algorithmen erfordert, um katastrophales Vergessen zu vermeiden. Die erste Herausforderung ergibt sich aus der Abhängigkeit verschiedener graphischer Daten - historische graphische Daten beeinflussen die Verteilung der Merkmale neuer Daten. Die zweite Herausforderung besteht darin, wie man große graphische Daten effizient verarbeitet. Um diesen Herausforderungen zu begegnen, schlägt diese Studie ein effizientes Gerät für kontinuierliches Lernen von Graphen (E-CGL) vor. Durch Überprüfung der Wirksamkeit der Wiedergabestrategie und Vorschlag einer kombinierten Probenahmemethode, die die Bedeutung von Knoten und Vielfalt berücksichtigt, wird das Problem der Abhängigkeit graphischer Daten erfolgreich gelöst. In Bezug auf die Verbesserung der Effizienz verwendet E-CGL ein einfaches und effektives mehrschichtiges Perzeptronmodell, welches Gewichte mit graphischen neuronalen Netzwerken teilt und den aufwändigen Nachrichtenübertragungsmechanismus entkoppelt, um die Berechnungen während des Trainings zu beschleunigen. Diese Methode erzielt fortschrittliche Ergebnisse in vier Datensätzen in zwei experimentellen Einstellungen und reduziert das katastrophale Vergessen auf einen durchschnittlichen Wert von -1,1%. Darüber hinaus stieg die Trainings- und Inferenzgeschwindigkeit von E-CGL in vier Datensätzen um das 15,83- bzw. 4,89-fache. Diese Ergebnisse zeigen, dass E-CGL nicht nur effektiv die Beziehung zwischen den graphischen Daten während der Aktualisierung des Modells erhält, sondern auch die Effizienz in Szenarien des kontinuierlichen Lernens großer graphischer Daten erheblich verbessert.

Graph neural networks;Continual learning;Dynamic graphs;Continual graph learning;Graph acceleration