论文
UNIT：释放大语言模型在图持续学习中的潜力
UNIT: Unleash Large Language Models Potential for Graph Continual Learning
摘要
在真实世界的多模态网络场景中，图结构数据常以流式方式到达，使图持续学习成为持续建模这类演化结构的关键范式。但既有图持续学习方法面临两个根本挑战：1) 语义—结构分离——图方法擅长建模拓扑关系却忽视深层语义；2) 不均衡的知识转移——既有模型未能有效利用从早期任务获得的通用知识惠及后续新任务。为解决上述问题，我们提出新框架UNIT（释放LLM潜力用于图持续学习）。仅在第一个任务上微调大语言模型，弥合预训练LLM语料与目标任务数据集间的分布差距，提升LLM对图结构任务的适配性；同时提出不确定性感知的锚点生成机制，跨任务有效保存代表性知识，避免忽视从既往任务学到的通用知识；此外引入结构汇流建模，把图拓扑信息显式整合进语义信息，增强语义理解与结构建模的协同能力。大量实验表明所提方法在图持续学习任务上取得最先进表现。
