基于骨骼的动作识别的连续图学习敏感性基准测试
内容提要
本文综述持续图学习，即从无限图数据流中学习并整合历史知识。文章介绍其概念与挑战，梳理最新方法，包括关系感知自适应模型、结构学习与参数学习结合、图对比学习框架，并讨论现有方法的局限、未来方向与应用前景。
延伸解读
持续图学习的核心挑战
文章指出，持续图学习需从无限图数据流中学习并整合历史知识，但当前只有当前图数据可用。这导致模型必须在有限信息下平衡新旧任务，避免灾难性遗忘。同时，图数据的动态性和复杂性增加了学习难度，现有方法如关系感知自适应模型虽在部分数据集上提升准确度，但仍面临泛化与效率问题。
方法进展与性能表现
文章梳理了多种持续图学习方法：关系感知自适应模型在CitationNet、OGBN-arxiv和TWITCH上分别提升2.2%、6.9%和6.6%准确度；结构学习与参数学习结合策略采用强化学习和Dark Experience回放应对遗忘；图对比学习框架SkeletonGCL在NTU60等基准上取得一致改进。这些方法展示了不同技术路线的有效性。
评估基准与度量局限
文章提到，现有基准如BeGin框架评估了七种图像持续学习方法，组合情况是之前的三倍；另有研究提出涉及六个图像数据集的异构任务基准，显示当前模型在真实场景中表现较差，存在高水平遗忘和课程任务顺序限制。此外，有工作分析了当前度量方法的局限性，并提出考虑任务难度增加的新度量，以更好平衡稳定性和可塑性。
未来方向与资源考量
文章讨论了持续图学习的未来方向，包括适应性动态规划视角、基于RNN的连续学习模型结合弹性权重合并处理概念漂移，以及计算资源受限下的效率问题。研究指出传统持续学习方法计算密集，不适合实际部署，推荐使用存储器均匀抽样作为基线。这些方向为后续研究提供了参考。
Q&A
持续图学习是什么？它要解决的核心问题是什么？
持续图学习研究从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务，同时只有当前的图数据可用。
有哪些最新的持续图学习方法？
包括关系感知自适应模型、结构学习与参数学习结合的方法、图对比学习框架（如SkeletonGCL）、适应性动态规划视角、基于RNN的连续学习模型等。
关系感知自适应模型在哪些数据集上提升了准确度？提升多少？
在CitationNet、OGBN-arxiv和TWITCH数据集上，相对于现有方法分别提高了2.2%、6.9%和6.6%的准确度。
持续图学习面临哪些主要挑战？
主要挑战包括灾难性遗忘、计算资源受限、输入分布的概念漂移、任务难度增加导致的遗忘问题，以及平衡稳定性和可塑性的困难。
SkeletonGCL是什么？它在哪些基准上取得了改进？
SkeletonGCL是一个骨架动作识别的图对比学习框架，用于探究跨所有序列的全局上下文，在多个上下文尺度上进行图对比学习，并在NTU60、NTU120和NW-UCLA基准上获得了一致的改进。
在计算资源受限时，对持续学习有什么建议？
研究表明传统的持续学习方法对于实际部署来说太过计算密集，推荐使用在存储器上均匀抽样作为最初基线。
