FALCON: Feature-Label Constrained Graph Net Collapse for Memory Efficient GNNs
Imperial College London（伦敦帝国理工学院）
提出FALCON，一种拓扑感知的图缩减方法，通过保留特征-标签分布，结合迷你批处理和量化，实现内存高效GNN训练，并在公共数据集上保持预测质量。
2023-12-27 cs.AI cs.LG
Understanding GNN Computational Graph: A Coordinated Computation, IO, and Memory Perspective
Tsinghua University（清华大学）；University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）
图神经网络（Graph Neural Network，GNN）在各个领域都有着广泛的应用，但复杂的计算图导致GNN的延迟和内存消耗较大。优化GNN计算图的缺点是：（1）冗余的神经算子计算。相同的数据通过图结构传播，在GNN中多次执行相同的神经操作，导致冗余计算，占总运算符的92.4%。(2)线程映射不一致。顶点中心和边中心算子的有效线程映射方案是不同的。这种不一致性禁止操作符融合以减少存储器IO。(3)中间数据过多。对于通常与推理同时执行的GNN训练，必须为反向传递存储中间数据，消耗总内存需求的91.9%。为了解决这些挑战，我们提出了以下设计，以优化GNN计算图，从一个新的协调计算，IO和内存的角度：（1）延迟运算符重组。我们重新组织的运营商进行神经操作之前的传播，从而消除了冗余的计算。(2)用于融合的统一线程映射。我们提出了一个统一的线程映射方案的顶点和边缘为中心的运营商，使融合和减少IO。(3)中间数据重新计算。中间数据在向后传递期间被重新计算以减少总的内存消耗。在三个典型的GNN模型上进行的大量实验结果表明，与最先进的框架相比，我们实现了高达2.75倍的端到端加速，6.89倍的内存IO和7.73倍的内存消耗。
2021-10-18 cs.LG cs.PF
SpanGNN: Towards Memory-Efficient Graph Neural Networks via Spanning Subgraph Training
Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
SpanGNN通过在一系列增量更新的生成子图上训练GNN，并结合方差缩减与噪声缩减的边采样策略，在保持模型准确率的同时显著降低峰值内存占用。
2024-06-07 cs.AI cs.LG
DistTGL: Distributed Memory-Based Temporal Graph Neural Network Training
University of Southern California（南加州大学）；AWS AI（亚马逊云科技人工智能部门）
针对基于记忆的 TGNN 在多 GPU 与分布式集群中面临的节点记忆同步和精度损失问题，本文提出 DistTGL，通过模型、训练算法和系统优化实现近线性加速，并提升精度与吞吐量。
2023-07-14 cs.LG
GSR-GNN: Training Acceleration and Memory-Saving Framework of Deep GNNs on Circuit Graph
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；New York University（纽约大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出GSR-GNN框架，通过可逆残差模块和分组稀疏非线性操作，实现深度GNN在大规模电路图上的高效训练，达到87.2%的内存节省和30倍以上的加速，同时保持相关质量指标的稳定。
2026-03-28 cs.AI cs.LG
Knowledge Graph Embedding with Entity Neighbors and Deep Memory Network
Dalian University of Technology（大连理工大学）
知识图谱嵌入是将知识图谱中的实体和关系表示在一个低维的连续向量空间中。近年来的研究主要集中在将结构化知识与附加信息（如实体描述、关系路径等）相结合，但是常用的附加信息往往含有大量的噪声，使得学习有价值的表示变得困难。在本文中，我们提出了一种新的附加信息，称为实体邻居，它包含了给定实体的语义和拓扑特征。然后，我们开发了一个深度记忆网络模型来编码来自邻居的信息。采用门控机制，结构和邻居的表示被集成到一个联合表示。实验结果表明，我们的模型优于现有的KGE方法利用实体描述，并实现了最先进的度量4个数据集。
2018-08-11 cs.CL cs.LG
Sequential Aggregation and Rematerialization: Distributed Full-batch Training of Graph Neural Networks on Large Graphs
Intel AI Lab（英特尔人工智能实验室）
我们提出了顺序聚合和再物质化（SAR）计划的分布式全批训练的图神经网络（GNNs）在大型图。最近，GNN的大规模训练主要是基于采样的方法和基于不可学习消息传递的方法。另一方面，SAR是一种分布式技术，可以直接在整个大型图上训练任何GNN类型。SAR中的关键创新是分布式顺序重新物质化方案，该方案在向后传递期间顺序地重建然后释放过大的GNN计算图的片段。这导致了出色的内存扩展行为，其中每个工作线程的内存消耗随工作线程的数量线性下降，即使是密集连接的图形。使用SAR，我们报告了迄今为止全批GNN训练的最大应用，并展示了随着工人数量的增加而节省的大量内存。我们还提出了一种基于核融合和注意力矩阵再物质化的通用技术，以优化基于注意力的模型的运行时间和内存效率。我们表明，与SAR相结合，我们优化的注意力内核可以显著提高基于注意力的GNNs的速度并节省内存。我们提供了SAR GNN训练库：\url{https://github.com/IntelLabs/SAR}。
2022-04-15 cs.AI cs.LG
PyGim: An Efficient Graph Neural Network Library for Real Processing-In-Memory Architectures
University of Toronto（多伦多大学）；ETH Zürich（苏黎世联邦理工学院）；Vector Institute（矢量研究院）；CentML（CentML公司）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；NVIDIA（英伟达公司）
本文提出PyGim机器学习库，通过针对真实PIM系统的智能并行化技术和混合执行方式加速图神经网络，在1992个PIM核心上较Intel Xeon CPU平均实现3.04倍性能提升及更高资源利用率。
2025-04-06 cs.AR cs.DC cs.LG
A Graph Theoretic Framework of Recomputation Algorithms for Memory-Efficient Backpropagation
Preferred Networks, Inc.（Preferred Networks公司）；The University of Tokyo（东京大学）
重新计算算法统称为旨在通过选择性地丢弃前向传播的中间结果并根据需要重新计算丢弃的结果来减少反向传播的内存消耗的方法家族。在本文中，我们将提出一种新的和有效的重新计算方法，可以适用于更广泛的神经网络比以前的方法。我们使用图论的语言来形式化的一般重计算问题的最小化的计算开销在一个固定的内存预算约束下，并提供了一个动态规划解决方案的问题。在各种基准网络上，该方法可以将峰值内存消耗降低36%~ 81%，优于其他方法。
2019-05-28 cs.LG stat.ML
Graph Memory: Spectral Associative Memory via Dirichlet Energy
提出一种基于Dirichlet能量的谱密集联想记忆，用于图数据的存储与检索，具有指数级容量和误差衰减，并在多个数据集上验证了其有效性。
2026-09-29 cs.IR cs.LG
Graph Memory Learning: Imitating Lifelong Remembering and Forgetting of Brain Networks
Department of Computer Science and Technology, Tongji University（同济大学计算机科学与技术系）；School of Computing, Macquarie University（麦考瑞大学计算机学院）
针对现实图数据频繁变化导致现有模型难以处理新数据涌入和数据撤回的问题，本文提出图记忆学习概念及脑启发图记忆学习（BGML）框架，通过多粒度分层学习和信息自我评估机制实现选择性记忆与遗忘，在五类任务中表现优异。
2025-08-24 cs.AI cs.LG cs.NE
Graph Continual Learning with Debiased Lossless Memory Replay
University of Technology Sydney（悉尼科技大学）；Singapore Management University（新加坡管理大学）
本文提出图持续学习框架DeLoMe，通过学习无损合成节点表示作为记忆以保护隐私并捕获整体图信息，同时设计去偏损失函数缓解数据不平衡导致的任务偏差，在四个数据集上验证了其有效性。
2024-10-15 cs.LG
Graph-level Anomaly Detection via Hierarchical Memory Networks
AAII, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）；Singapore Management University（新加坡管理大学）
提出分层记忆网络HimNet，通过图自编码器联合优化节点级和图级记忆模块，分别检测局部和全局异常图，在16个真实数据集上显著优于现有方法且对异常污染具有鲁棒性。
2023-07-03 cs.CV cs.LG
GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination
Peking University（北京大学）；IBM Research（IBM研究院）；Georgia Institute of Technology（佐治亚理工学院）
深度学习的最新进展正在彻底改变医疗保健领域，包括为药物推荐提供解决方案，特别是为具有复杂健康状况的患者推荐药物组合。现有的方法要么不根据患者的健康史进行定制，要么忽略了可能导致不良结果的药物相互作用（DDI）的现有知识。为了填补这一空白，我们提出了图增强记忆网络（GAMENet），它通过实现为图卷积网络的记忆模块集成药物-药物相互作用知识图谱，并将纵向患者记录建模为查询。它经过端到端的培训，提供安全和个性化的药物组合建议。我们证明了GAMENet的有效性和安全性，通过比较几个国家的最先进的方法对真实的EHR数据。GAMENet在所有有效性指标中均优于所有基线，并且与现有EHR数据相比，DDI率降低了3.60%。
2019-03-07 cs.AI cs.LG stat.ML
Video Object Segmentation with Episodic Graph Memory Networks
Inception Institute of Artificial Intelligence（起源人工智能研究院）；ETH Zurich（苏黎世联邦理工学院）
如何使分割模型有效地适应特定的视频和在线目标外观变化是视频对象分割领域的根本关键问题。在这项工作中，开发了一个图记忆网络，以解决“学习更新分割模型”的新思想。具体来说，我们利用一个情景记忆网络，组织成一个完全连接的图，存储帧作为节点和捕捉跨帧的相关性的边缘。此外，嵌入可学习控制器以简化存储器读取和写入，以及保持固定的存储器规模。结构化的外部存储器设计使我们的模型能够全面挖掘和快速存储新知识，即使是有限的视觉信息，可微存储器控制器也会慢慢学习在存储器中存储有用表示的抽象方法，以及如何通过梯度下降使用这些表示进行预测。此外，所提出的图记忆网络产生一个整洁而有原则的框架，它可以很好地推广单镜头和zero-shot视频对象分割任务。在四个具有挑战性的基准数据集上进行的广泛实验验证了我们的图记忆网络能够促进分割网络的适应性，以用于逐个案例的视频对象分割。
2020-12-09 cs.CV cs.LG
Graph Hopfield Networks: Energy-Based Node Classification with Associative Memory
Equal contribution（共同贡献）
图Hopfield网络结合联想记忆与图拉普拉斯平滑，通过能量下降实现节点分类，提升稀疏网络和特征遮蔽下的性能，并在异质性基准测试中表现优异。
2026-03-03 cs.AI cs.IR cs.LG
Efficient Memory Crystallization for Graph Learning under Non-Stationary Distribution Shifts
State Key Laboratory of Complex & Critical Software Environment, Beihang University（北京航空航天大学复杂关键软件环境国家重点实验室）；Shen Yuan Honors College, Beihang University（北京航空航天大学沈元荣誉学院）
提出免训练的EMC框架，通过闭式解将图域结晶为紧凑记忆，以高效应对非平稳分布偏移，显著降低运行时间和内存消耗。
2026-10-15 cs.LG
Graph Convolutional Memory using Topological Priors
University of Cambridge（剑桥大学）；Toshiba Europe Limited（东芝欧洲有限公司）
当将强化学习应用于现实世界的问题时，解决部分可观察的马尔可夫决策过程（POMDPs）是至关重要的，其中代理人对世界的看法是不完整的。我们提出了图卷积记忆（GCM），第一个使用强化学习解决POMDPs的混合记忆模型。GCM使用人类定义的或数据驱动的拓扑先验来形成图邻域，使用动态规划将它们组合成更大的网络拓扑。我们使用图卷积查询图，将相关记忆合并为上下文相关的信念。在没有人类先验知识的情况下使用时，GCM的表现与最先进的方法相似。当与人类先验一起使用时，GCM在控制，记忆和导航任务上优于这些方法，同时使用更少的参数。
2021-10-08 cs.AI cs.LG cs.RO
Towards Continuous Reuse of Graph Models via Holistic Memory Diversification
School of Computing and Information Technology, Great Bay University（大湾区大学计算与信息学院）；AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学科）；School of Engineering, Great Bay University（大湾区大学工程学院）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；Department of Computer Science, University of California, Los Angeles（加利福尼亚大学洛杉矶分校计算机科学系）
针对图增量学习中记忆多样性不足的问题，提出整体多样化记忆选择与生成（DMSG）框架，通过考虑类内和类间多样性的缓冲区选择策略及变分生成重放方法，有效提升了模型在图上的持续学习能力。
2025-03-01 cs.LG
Memory-aware Scheduling for Complex Wired Networks with Iterative Graph Optimization
Peking University（北京大学）；Beijing Advanced Innovation Center for Integrated Circuits（北京集成电路高精尖创新中心）
针对复杂拓扑下资源受限设备的DNN推理内存感知调度难、现有算法可扩展性差的问题，提出基于迭代图优化的调度框架，通过图融合与拓扑感知剪枝的整数规划实现调度，在基准测试中峰值内存降低13.4%，可扩展性更优。
2023-08-26 cs.DC cs.LG
Towards the Explainability of Temporal Graph Networks via Memory Backtracking and Topological Attribution
研究如何增强时间图网络（TGNs）的可解释性，通过拓扑归因树和记忆回溯树对其预测进行归因，应用LRP并设计优化目标，在九个时间图数据集实验中表现出色，提供可靠解释且优于基线。
2026-07-10 cs.AI cs.LG
Large Graph Convolutional Network Training with GPU-Oriented Data Communication Architecture
IBM T.J. Watson Research Center（IBM TJ·沃森研究中心）；NVIDIA（英伟达公司）
图卷积网络（GCN）在大规模的基于图的推荐系统中被越来越多地采用。训练GCN需要小批量生成器遍历图并对稀疏的相邻节点进行采样以获得它们的特征。由于真实世界的图形通常超过GPU内存的容量，当前的GCN训练系统将特征表保存在主机内存中，并依赖CPU在将其发送到GPU之前收集稀疏特征。但是，这种方法会给主机内存带宽和CPU带来巨大的压力。这是因为CPU需要（1）从内存中读取稀疏特征，（2）将特征以密集格式写入内存，以及（3）将特征从内存传输到GPU。在这项工作中，我们提出了一种新的面向GPU的数据通信方法的GCN训练，其中GPU线程直接访问稀疏功能在主机内存中通过零拷贝访问没有太多的CPU帮助。通过去除CPU收集阶段，我们的方法显着减少了主机资源的消耗和数据访问延迟。我们进一步提出了两个重要的技术，以实现高主机内存访问效率的GPU：（1）自动数据访问地址对齐，以最大限度地提高PCIe数据包的效率，和（2）异步零拷贝访问和内核执行完全重叠的数据传输与训练。我们将我们的方法整合到PyTorch中，并使用几个大小高达1.11亿个节点和16亿条边的图来评估其有效性。在多GPU训练设置中，我们的方法比传统的数据传输方法快65-92%，甚至可以匹配一些适合GPU内存的图形的全GPU内存训练的性能。
2021-08-14 cs.LG
Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs
Griffith University（格里菲斯大学）；RMIT University（皇家墨尔本理工大学）
本文针对动态图测试时自适应的研究空白，提出DGOTTA框架，通过三个模块提升DGNN在分布偏移下的泛化性能，经多数据集实验验证有效。
2026-09-09 cs.LG
Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning
Intel Labs（英特尔实验室）；Intel Israel（英特尔以色列）；Technion（以色列理工学院）
对于深度神经网络加速器来说，内存移动既消耗能量又会限制计算。因此，张量到存储层次结构的最佳映射对性能至关重要。随着神经网络复杂性的增加，需要自动化的内存映射来代替人工的启发式方法;然而，神经网络计算图的搜索空间以前非常大。我们介绍了进化图强化学习（EGRL），一种为大搜索空间设计的方法，它结合了图神经网络，强化学习和进化搜索。一组快速的、无状态的策略引导进化搜索以提高其样本效率。我们直接在英特尔NNP-I芯片上对我们的方法进行训练和验证，以进行推理。EGRL在BERT、ResNet-101和ResNet-50上的性能优于策略梯度、进化搜索和动态规划基线。我们还实现了28-78\%的速度相比，本机NNP-I编译器在所有三个工作负载。
2020-10-15 cs.AI cs.LG
Graph Memory Networks for Molecular Activity Prediction
Centre for Pattern Recognition and Data Analytics（模式识别与数据分析中心）；Deakin University（迪肯大学）
分子活性预测在药物设计中至关重要。内核方法和随机森林等机器学习技术在这项任务中取得了成功。这些模型需要固定大小的特征向量作为输入，而分子的大小和结构可变。因此，固定大小的指纹表示在处理大分子的子结构方面很差。此外，由于其复杂性，分子活性测试或所谓的生物测定在测试分子的数量上相对较小。在这里，我们通过深度神经网络来解决这个问题，因为它们在建模结构化数据（如网格，序列和图形）方面非常灵活。我们使用多任务学习框架训练多个BioAssay，该框架结合了来自多个来源的信息，以提高预测性能，特别是在小数据集上。我们提出了图形记忆网络（GraphMem），一个记忆增强的神经网络，以模拟分子中的图形结构。GraphMem由一个与外部存储器耦合的循环控制器组成，外部存储器的单元通过多跳推理过程动态交互和变化。应用于分子，动态相互作用，使一个迭代细化的表示与多个键类型的分子图。GraphMem能够通过使用特定任务查询作为输入馈送到控制器来联合训练多个数据集。我们证明了所提出的模型的有效性，分别和联合训练超过100K的测量，跨越9个BioAssay活性测试。
2018-01-27 cs.LG
A Lightweight Plastic-Memory Framework for Graph Few-Shot Class-Incremental Learning
University of Electronic Science and Technology of China（电子科技大学）
本文提出一种轻量级塑性记忆框架，通过演化微聚类结构动态更新类原型，结合记忆驱动的元学习，解决图少样本类增量学习中的灾难性遗忘，并在四个基准数据集上验证了其优越性。
2026-09-23 cs.LG
Learning the Influence Graph of a High-Dimensional Markov Process with Memory
Indian Institute of Technology Madras（马德拉斯印度理工学院）
针对具有记忆的高维离散时间马尔可夫过程，论文扩展i.i.d.图模型学习算法，仅用二进制观测即可在度有界条件下以对数样本恢复有向影响图，并通过平稳分布收敛速率界分析样本复杂度。
2024-06-13 cs.LG eess.SP
FTD-GNO: Memory-Efficient Graph Neural Operators through Functional Tensor Decomposition of the Kernel
Beijing University of Technology（北京工业大学）；The University of Sydney（悉尼大学）
针对标准图神经算子在核参数化上的高内存开销问题，提出基于函数张量分解的FTD-GNO，通过CP、Tensor-Train和Tucker分解解耦核，降低内存与训练成本，并保持算子学习性能。
2026-10-06 cs.AI cs.LG
COIN: Communication-Aware In-Memory Acceleration for Graph Convolutional Networks
University of Wisconsin（威斯康星大学）；Arizona State University（亚利桑那州立大学）
图卷积网络（GCN）在处理许多应用领域中固有的图结构数据时显示出卓越的学习能力。GCN将嵌入每个顶点的神经网络的输出分布在多次迭代中，以利用底层图捕获的关系。因此，它们会产生大量的计算和不规则的通信开销，这需要GCN特定的硬件加速器。为此，本文提出了一种通信感知的存内计算架构（COIN）的GCN硬件加速。除了使用自定义计算元素（CE）和存内计算来加速计算之外，COIN还旨在最大限度地减少GCN操作中的CE内和CE间通信，以优化性能和能源效率。广泛使用的数据集的实验评估显示，与最先进的GCN加速器相比，能耗提高了105倍。
2022-05-15 cs.AR cs.LG
Deep Graph Memory Networks for Forgetting-Robust Knowledge Tracing
Australian National University（澳大利亚国立大学）
追踪学生的知识对于定制学习体验至关重要。最近的知识追踪方法往往响应这些挑战，通过建模知识状态动态学习概念。然而，它们仍然面临着一些固有的挑战，包括：模拟遗忘行为和识别潜在概念之间的关系。为了解决这些问题，在本文中，我们提出了一种新的知识跟踪模型，即\emph{Deep Graph Memory Network}（DGMN）。在这个模型中，我们将一个遗忘门控机制到一个注意力记忆结构，以捕捉遗忘行为动态知识追踪过程中。特别是，这种遗忘门控机制是建立在潜在概念的注意力遗忘特征上的，考虑到它们的相互依赖性。此外，该模型具有根据学生不断发展的知识状态从动态潜在概念图中学习潜在概念之间的关系的能力。使用四个成熟的基准数据集进行了全面的实验评估。结果表明，DGMN在所有数据集上的表现始终优于最先进的KT模型。在我们的实验中，也分析了建模遗忘行为和学习潜在概念图的有效性。
2021-08-18 cs.LG
Scalable Graph Convolutional Network Training on Distributed-Memory Systems
Imagination Technologies（想象力科技）；University of Warwick（华威大学）
图卷积网络（GCN）被广泛用于图上的深度学习。图的大数据量及其顶点特征使得可扩展的训练算法和分布式存储系统成为必要。由于图上的卷积运算会导致不规则的内存访问模式，因此为GCN训练设计一个高效的内存和通信并行算法带来了独特的挑战。我们提出了一个高度并行的训练算法，可扩展到大型处理器计数。在我们的解决方案中，大型邻接矩阵和顶点特征矩阵在处理器之间进行划分。我们利用图的顶点分区使用处理器之间的非阻塞点对点通信操作，以获得更好的可扩展性。为了进一步减少并行化的开销，我们引入了一个稀疏矩阵分区计划的超图分区模型的基础上进行全批训练。我们还提出了一种新的随机超图模型来编码小批量训练中的预期通信量。我们展示了超图模型的优点，以前未探索的GCN训练，在标准的图划分模型，它不准确地编码的通信成本。在真实世界的图数据集上进行的实验表明，所提出的算法实现了相当大的加速比替代解决方案。在具有许多处理器的高可扩展性下，通信成本方面的优化变得更加明显。性能优势在具有更多层的更深GCN中以及在十亿级图中得以保留。
2022-12-13 cs.AI cs.DC cs.LG
DYNA : Dynamic Episodic Memory Networks for Augmenting Large Language Models with Temporal Knowledge Graphs in Continuous Learning
Department of Computer Engineering and Information Technology, University of Qom（卡姆大学计算机工程与信息科技系）
提出DYNA框架，通过时间知识图谱作为外部可更新记忆，增强冻结的大语言模型，在三个时间召回任务上减少约7%的灾难性遗忘并提升约5%的时间排序能力。
2026-06-16 cs.AI cs.CL cs.LG
Memory Is No Longer a Bottleneck: Memory-Efficient Graph Filtering for Scalable Collaborative Filtering
School of Mathematics and Computing (Computational Science and Engineering), Yonsei University（延世大学数学与计算学院（计算科学与工程系））
提出Mem-GF方法，利用Krylov子空间近似多项式图滤波器，无需存储完整项目相似图，显著降低内存消耗并提升速度，同时保持或超越现有方法的推荐精度。
2026-06-23 cs.AI cs.IR cs.IT
Learning with Memory Embeddings
Siemens AG（西门子股份公司）；Ludwig Maximilian University of Munich（慕尼黑大学）
嵌入式学习，又名表示学习已经被证明能够对大规模语义知识图谱进行建模。一个关键概念是将知识图谱映射到张量表示，张量表示的条目由使用广义实体的潜在表示的模型预测。潜变量模型非常适合处理典型知识图谱的高维性和稀疏性。在最近的出版物中，嵌入模型被扩展到也考虑时间演化，时间模式和子符号表示。在本文中，我们映射嵌入模型，这纯粹是为了解决建模时间知识图谱的技术问题，各种认知记忆功能，特别是语义和概念记忆，情景记忆，感觉记忆，短期记忆和工作记忆。我们讨论了学习，询问回答，从感官输入到语义解码的路径，以及情景记忆和语义记忆之间的关系。我们介绍了一些假设，人类的记忆，可以来自发达的数学模型。
2016-05-07 cs.AI cs.CL cs.LG
Short-Term-to-Long-Term Memory Transfer for Knowledge Graphs under Partial Observability
本文研究了在部分可观测性下知识图谱中的短期到长期记忆转移问题，提出了一种基于神经符号价值决策的方法，通过在长期插入前决定保留或丢弃观察到的三元组，从而提升记忆效率，并在RoomKG基准测试中优于符号和神经基线方法。
2026-07-29 cs.AI cs.LG
Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification
University of Puerto Rico（波多黎各大学）
本文提出贝叶斯结构学习算法估计EEG功能连接，并结合图卷积网络对工作记忆负荷进行分类，在154名受试者上取得最高96%准确率，优于现有方法，且alpha和theta频段表现更佳。
2024-04-30 cs.LG eess.SP q-bio.NC
