비편향 무손실 메모리 재생을 통한 그래프 지속적 학습

실제 그래프 데이터는 종종 지속적으로 확장되어 정적 그래프 데이터에서 그래프 신경망(GNN)의 학습을 비현실적으로 만듭니다. 그래프 지속적 학습(GCL)은 과거 작업의 그래프 성능을 유지하면서 현재 작업의 확장된 그래프에 GNN을 지속적으로 적응시키는 문제를 다룹니다. 새로운 작업을 학습할 때 이전 작업의 데이터를 재생하는 것을 목표로 하는 메모리 재생 기반 방법은 이전 작업에서 학습한 지식의 망각을 완화하기 위한 하나의 원칙적 접근법으로 탐색되었습니다. 본 논문에서는 비편향 무손실 메모리 재생(DeLoMe)이라는 새로운 프레임워크로 이 방법론을 확장합니다. 이전 그래프의 노드/엣지를 샘플링하여 메모리를 구성하는 기존 방법과 달리, DeLoMe는 메모리로서 작은 무손실 합성과 노드 표현을 학습합니다. 학습된 메모리는 그래프 데이터의 프라이버시를 보호할 뿐만 아니라 샘플링 기반 방법이 불가능한 전체 그래프 정보를 캡처할 수 있습니다. 또한, 이전 방법들은 메모리 데이터와 현재 데이터 간의 클래스 불균형으로 인해 현재 작업에 대한 편향이 발생합니다. DeLoMe에서는 이 편향을 효과적으로 완화하기 위해 비편향 GCL 손실 함수를 설계하였습니다. 네 개의 그래프 데이터세트에 대한 광범위한 실험은 클래스 및 작업 증가 학습 설정 모두에서 DeLoMe의 효과를 보여줍니다.