シーケンスデータから新しい知識を学び、以前の知識を保持するための主要パラダイムとなっているのが連続学習です。連続学習グラフ（CGL）は、動的な進化グラフ特徴を持つストリーミングデータに特有の課題を抱えており、劇的な忘却を防ぐために効率的なアルゴリズムが求められます。最初の課題は、異なるグラフデータ間の相互依存性に由来しています－過去のグラフデータは新しいデータの特徴分布に影響を与えます。2つ目の課題は、大規模グラフデータを効率的に処理する方法です。これらの課題に対処するため、効率的な連続学習グラフ（E-CGL）を提案しています。有効な再生戦略の検証を通じ、ノードの重要性と多様性を兼ね備えたサンプリング手法を提案し、グラフデータの相互依存性の問題を解決しました。効率向上の観点では、E-CGLは単純で効果的な多層パーセプトロンモデルを採用しており、このモデルはグラフニューラルネットワークと重みを共有し、トレーニングプロセス中に時間のかかるメッセージパッシングメカニズムを分離することで計算を高速化しています。この手法は4つのデータセットで2つの実験設定で先進的な成果を収め、劇的な忘却率を−1.1％の平均水準まで著しく低下させました。さらに、4つのデータセットでは、E-CGLのトレーニングと推論の速度がそれぞれ15.83倍と4.89倍向上しました。これらの結果は、E-CGLがモデル更新プロセス中にグラフデータの関連性を効果的に保持するだけでなく、大規模グラフ連続学習シナリオで効率を著しく向上させることを示しています。

グラフニューラルネットワーク;連続学習;ダイナミックグラフ;グラフ連続学習;グラフ学習の加速