本文是斯蒂文斯理工学院Xinchao Wang老师课题组发表在AAAI2021上的文章“Overcoming Catastrophic Forgetting in Graph Neural Networks ”。

论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/17049

代码地址：https://github.com/hhliu79/TWP

“灾难性遗忘”指的是神经网络在学习新任务时忘记以前学到的知识。之前的方法主要集中在卷积神经网络 (CNNs)上克服这个问题 (图像等输入样本位于网格域)，但在很大程度上忽视了处理非网格数据的图神经网络(GNNs)。在本文中，作者提出了一种新的方案，致力于克服灾难性遗忘问题，从而加强GNN中的持续学习。该方法的核心是一个通用模块，称为拓扑感知权值保持 (topology-aware weight preserving, TWP)，以即插即用的方式适用于任意形式的GNN。与主流的基于CNN的持续学习方法不同，TWP明确地探索输入图的局部结构，并试图稳定在拓扑聚合中起关键作用的参数。在多个数据集上的评估结果证明了该方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除