이 논문은 지속적으로 확장되는 그래프 데이터에 효과적으로 적응하기 위한 새로운 방법을 제안한다. 기존의 메모리 재생 기반 방법들은 이전 과제의 일부 그래프 데이터만을 저장하여 사용하므로, 전체 그래프 정보를 충분히 활용하지 못하는 문제가 있다.
저자들은 이를 해결하기 위해 DeLoMe라는 새로운 프레임워크를 제안한다. DeLoMe는 이전 과제의 그래프 데이터를 압축하여 작은 크기의 합성 노드 표현을 학습하고, 이를 메모리로 사용한다. 이를 통해 전체 그래프 정보를 효과적으로 보존할 수 있다.
또한 DeLoMe는 메모리 데이터와 현재 과제 데이터 간의 클래스 불균형 문제를 해결하기 위해 편향 보정 손실 함수를 사용한다. 실험 결과, DeLoMe는 기존 방법들에 비해 향상된 성능을 보였으며, 특히 클래스 증분 학습 환경에서 우수한 결과를 달성했다.
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies