Непрерывное обучение стало ключевым методом получения новых знаний из последовательных данных и сохранения предыдущих знаний. Непрерывное обучение графов (CGL) имеет динамические особенности, обусловленные потоковыми данными, и уникальное испытание, требующее эффективных алгоритмов для предотвращения катастрофического забвения. Первое испытание происходит из взаимосвязи различных графовых данных - исторические графовые данные влияют на распределение характеристик новых данных. Второе испытание заключается в эффективной обработке крупномасштабных графовых данных. Для преодоления этих испытаний настоящее исследование предлагает эффективный алгоритм непрерывного обучения графов (E-CGL). Путем проверки эффективности стратегии воспроизведения и предложения комбинированного метода выборки, который учитывает важность узлов и разнообразие, успешно решено испытание взаимосвязи графовых данных. В части повышения эффективности E-CGL использует простую и эффективную модель многослойного восприятия, которая разделяет веса с графовыми нейронными сетями, деконструируя длительный механизм передачи сообщений для ускорения вычислений в процессе обучения. Этот метод достигает передовых результатов на четырех наборах данных в двух экспериментальных настройках, при этом значительно снижается катастрофическое забвение на уровне -1.1%. Кроме того, на четырех наборах данных скорость обучения и вывода E-CGL увеличилась в 15.83 и 4.89 раз, соответственно. Эти результаты показывают, что E-CGL не только эффективно сохраняет взаимосвязь между графовыми данными в процессе обновления модели, но также значительно повышает эффективность в сценариях непрерывного обучения крупномасштабных графов.

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