HCPN-GCN：利用锥体几何扩展层次原型网络，实现持续图学习

arXiv:2610.08823v1 公告类型：新 摘要：持续图学习（CGL）旨在从图结构数据中进行增量学习，同时保留从先前任务中获得的知识。在这一场景中，一个主要挑战是灾难性遗忘，即学习新任务会导致模型在先前任务上的性能下降。层次原型网络（Hierarchical Prototype Networks，HPNs）通过一种无需存储历史数据的基于原型的记忆机制来应对这一问题，但其对线性特征提取器的依赖限制了对图拓扑结构的利用，而基于点的原型在结构多样的图上通常会导致原型数量低效增长。在本文中，我们提出 HCPN-GCN，这是一种具有图感知能力的 HPN 扩展模型，用图卷积网络（Graph Convolutional Networks，GCNs）替代原有的线性特征提取器，并引入带有多样性正则化目标的基于锥体的原型。该设计能够生成更丰富的图感知表示，同时对嵌入空间进行紧凑建模，在不牺牲判别性的情况下减少原型泛滥。在六个持续图学习基准数据集上的实验结果表明，与原始 HPN 及具有代表性的持续学习基线相比，HCPN-GCN 始终能够提升平均分类准确率，同时保持近乎为零的遗忘。此外，我们的分析表明，与原始 HPN 相比，所提出的模型仅使用约 $30\times$ 少的原子原型，便能学习到显著更丰富的类级原型层次结构，从而为持续图学习提供更紧凑、更有效的记忆表示。