【AAAI2023】自适应黎曼空间中的自监督连续图学习

连续图学习通常在各种现实应用中发挥作用，其中包含不同任务的图数据依次出现。尽管之前的工作取得了成功，但仍然面临着巨大的挑战。一方面，现有的方法处理零曲率的欧氏空间，很大程度上忽略了曲率随即将到来的图序列而变化的事实。另一方面，文献中的持续学习者依赖于丰富的标签，但在实践中对图进行标注尤其困难，特别是对于不断涌现的动态图。为了解决上述的挑战，我们提出探索一个具有挑战性但实际的问题，自适应黎曼空间中的自监督连续图学习。在本文中，我们提出了一种新的自监督黎曼图持续学习者(RieGrace)。在RieGrace中，我们首先设计了一个自适应黎曼GCN (AdaRGCN)，一个与神经曲率适配器相结合的统一GCN，使黎曼空间由学习到的自适应于每个图的曲率来塑造。然后，我们提出了一种无标签洛伦兹蒸馏方法，该方法为图序列创建师生AdaRGCN。学生依次从自身进行内馏，从老师进行间馏，从而巩固知识，避免灾难性的遗忘。特别地，我们提出了黎曼空间中对比蒸馏的广义洛伦兹投影。在基准数据集上的大量实验证明了RieGrace算法的优越性。