El aprendizaje continuo se ha convertido en el método clave para adquirir nuevos conocimientos a partir de datos secuenciales y preservar conocimientos anteriores. El aprendizaje continuo de grafos (CGL) presenta características dinámicas derivadas de los datos en secuencia y un desafío único que requiere algoritmos eficientes para evitar el olvido catastrófico. El primer desafío proviene de la interdependencia de los diferentes datos gráficos: los datos gráficos históricos influyen en la distribución de las características de los nuevos datos. El segundo desafío radica en el tratamiento eficiente de los datos gráficos a gran escala. Para superar estos desafíos, este estudio propone un dispositivo eficiente de aprendizaje continuo de grafos (E-CGL). Al verificar la eficacia de la estrategia de reproducción y proponer un método de muestreo combinado que tenga en cuenta la importancia de los nodos y la diversidad, se resuelve con éxito el problema de la interdependencia de los datos gráficos. En términos de mejora de la eficiencia, E-CGL utiliza un modelo de perceptrón multicapa simple y eficaz, que comparte pesos con redes neuronales gráficas, desacoplando el costoso mecanismo de transmisión de mensajes para acelerar los cálculos durante el entrenamiento. Este método logra resultados avanzados en cuatro conjuntos de datos en dos configuraciones experimentales, al tiempo que reduce significativamente el olvido catastrófico a un nivel promedio del -1,1%. Además, en cuatro conjuntos de datos, la velocidad de entrenamiento e inferencia de E-CGL aumentó 15,83 y 4,89 veces, respectivamente. Estos resultados muestran que E-CGL no solo conserva de manera efectiva la relación entre los datos gráficos durante la actualización del modelo, sino que también mejora significativamente la eficiencia en escenarios de aprendizaje continuo de grafos a gran escala.

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