图终身学习：综述

图终身学习（continual graph learning，LGL）是一个新兴领域，旨在实现对图结构数据的持续学习，以解决现有任务上的灾难性遗忘问题，并使得顺序更新的模型能够适应新出现的图任务. 尽管LGL展现出良好的学习能力，但如何持续提高其性能仍然是一个至关重要的问题. 为填补现有研究对这一方面的空白，本文对最近在LGL领域的研究进行了全面调查和总结. 首先，重新分类了LGL的现有方法，重点关注克服灾难性遗忘的方法. 随后，系统地分析了这些方法的优缺点，并探讨了实现持续性能提升的潜在解决方案. 我们的研究着重于如何在持续学习的过程中避免对旧任务的遗忘，同时快速适应新任务的挑战. 最后，还就LGL的未来发展方向进行了讨论，涵盖了其在应用领域、开放性问题等方面的潜在影响，并具体分析了这些方向对持续性能改进的潜在影响. 这些讨论将有助于指导未来LGL研究的方向，推动这一领域的进一步发展与应用.

图终身学习（continual graph learning，LGL）是一个旨在实现图结构数据终身学习的新兴领域，可以在连续学习的同时保留以前学到的知识. 尽管LGL在研究界受到广泛关注，大多研究仅仅局限于解决灾难性遗忘问题，而忽视持续性能改进的问题. 为此，本文将全面概述LGL的最新进展，包括现有最先进的分类法、潜在应用以及开放研究问题的讨论等，以应对LGL面临的独特挑战[1]. 此外，分析了如何应用现有各种方法实现LGL的性能提升. 最后，讨论了目前仍然亟待解决的问题，并提出了未来的发展方向.

随着深度学习在生活各领域的成功应用，人们开始渴望更强大的通用人工智能. 尽管具有很好的发展前景，基于神经网络的终身学习还是面临着一个严重的遗忘问题：在新任务上的学习通常会导致旧任务上性能的急剧下降，这被称为灾难性遗忘（catastrophic forgetting，CF）[2]. 将终身学习（lifelong learning，LL）与图学习（graph learning，GL）结合起来显然是减轻灾难性遗忘的普遍解决方案，二者的结合巩固也被称为LGL. 尽管LGL具有潜力，但由于欧几里得数据和图之间的结构差异，一般LL和LGL之间存在显著或复杂的差异，包括模型、任务设置和方法[3]. 此外，LL和LGL都主要关注于克服灾难性遗忘，而忽略了终身的性能改进. 尽管关于LGL的研究越来越多，但关于LGL的调查却很少. 为了弥补这一差距，本文旨在对LGL的研究工作进行一个全面的调查.