Neues Framework ADR verhindert Feature‑Drift bei kontinuierlichem Graph‑Lernen

In der Forschung zum kontinuierlichen Graph‑Lernen hat ein neues Konzept namens Analytic Drift Resister (ADR) die Aufmerksamkeit auf sich gezogen. Das Ziel von Non‑Exemplar Continual Graph Learning (NECGL) ist es, die Privatsphäre zu schützen, indem anstelle von Rohgraphen nur prototypische Klassenrepräsentationen gespeichert werden. Diese Vorgehensweise reduziert jedoch das Risiko von Feature‑Drift, wenn neue Aufgaben hinzukommen.

Eine frühere Alternative, Analytic Continual Learning (ACL), nutzt vortrainierte Modelle, die eingefroren bleiben, um die Leistung zu verbessern. Der Nachteil ist, dass die Plastizität des Modells stark eingeschränkt wird. ADR löst dieses Problem, indem es wiederholtes Backpropagation einsetzt, um die eingefrorenen Gewichte zu aktualisieren und sich an sich verändernde Graph‑Verteilungen anzupassen.

Um den Feature‑Drift noch stärker zu bekämpfen, führt ADR die Hierarchical Analytic Merging (HAM) ein. Dabei werden lineare Transformationen in Graph Neural Networks (GNNs) schichtweise mittels Ridge‑Regression zusammengeführt, was eine absolute Resistenz gegen Drift gewährleistet.

Zusätzlich ermöglicht die Analytic Classifier Reconstruction (ACR) eine theoretisch fehlertolerante Klassifikation, sodass das Modell bei inkrementellen Aufgaben keine Vergesslichkeit zeigt.

In Experimenten auf vier Standard‑Node‑Classification‑Benchmarks hat ADR gezeigt, dass es die Leistung bestehender State‑of‑the‑Art‑Methoden nicht nur erreicht, sondern in vielen Fällen übertrifft – und dabei die Privatsphäre sowie die Plastizität des Modells optimal balanciert.