苏小妍

论文背景与核心问题 《Self-Supervised Continual Graph Learning in Adaptive Riemannian Spaces》聚焦于图学习的两个关键挑战：持续学习（Continual Learning）和自监督学习（Self-Supervised Learning）。传统图神经网络（GNNs）在处理动态图数据时面临灾难性遗忘问题，且依赖大量标注数据。该论文提出了一种在黎曼空间（Riemannian Space）中自适应学习图表示的方法，通过几何约束和自监督目标缓解遗忘并提升泛化性。 方法概述 自适应黎曼空间建模：将图节点嵌入到动态的黎曼流形中，利用曲率自适...