English(EN) Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs

新框架DGOTTA增强了动态图上的GNN自适应能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-31 04:00

研究人员推出了一种新颖的框架DGOTTA，用于动态图上的时序记忆感知在线测试时自适应。该方法解决了在测试过程中，图神经网络（GNN）适应不断变化的图结构和节点语义的挑战，而现有针对静态图的方法对此问题覆盖不足。DGOTTA包含时序感知增强、记忆感知预测（以防止灾难性遗忘）以及一致性引导在线自适应等模块，以确保时序对齐和记忆平滑。在各种数据集和GNN架构上的实验表明，DGOTTA在分布偏移下的泛化能力方面表现出色。 AI

影响这项研究有望提高在动态环境（如实时欺诈检测或社交网络分析）中使用的AI模型的鲁棒性和泛化能力。

排序理由该条目是一篇学术论文，详细介绍了一种新的图神经网络自适应方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一种新的图神经网络自适应方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Bo Li, Xin Zheng, Ming Jin, Can Wang, Shirui Pan · 2026-08-31 04:00

动态图上的时间记忆感知在线测试时自适应

arXiv:2608.27948v1 Announce Type: new Abstract: Test-time adaptation (TTA) on graphs aims to adapt a graph neural network (GNN) that is well-trained on the training graph to the test graph, which involves potential distribution shifts that may harm model generalization and test-t…

本文如何被排名

报道来源 [1]

动态图上的时间记忆感知在线测试时自适应

相关实体

相关话题