【ICML2025】GCAL：使图模型适应不断演变的领域偏移

本文旨在应对在不断演变的多重分布外（OOD）图数据上进行图领域自适应的挑战。传统的图领域自适应方法通常局限于单步适应，难以有效应对持续性的领域偏移，并容易出现灾难性遗忘问题。为此，本文提出了一种图持续自适应学习方法（Graph Continual Adaptive Learning，简称 GCAL），旨在提升模型在多个图领域中的可持续性与适应能力。

GCAL 采用双层优化策略。其“适应”阶段通过信息最大化的方法对模型进行微调，以适应新的图领域，同时重新调整旧有记忆以缓解遗忘问题。同时，“生成记忆”阶段则依据从信息瓶颈理论导出的理论下界，引入了一个变分记忆图生成模块，用于将原始图压缩为记忆形式。 大量实验评估表明，GCAL 在适应性和知识保留方面显著优于现有方法。GCAL 的代码可在以下地址获取：https://github.com/joe817/GCAL