arXiv 2026年10月6日作者提出 MAGIC，一个免回放的图小样本类增量学习框架：它用冻结的图表示骨干配合闭式解析式持续学习，从基图学习可刻画同质与异质关系的拓扑先验并经 Potts 马尔可夫随机场推断注入以缓解新类过拟合，同时通过漂移感知解析蒸馏把受影响历史节点的旧预测迁移到新表示以缓解表示漂移；在五个数据集、八个基线的实验中，5-shot 下平均准确率与最终准确率分别提升 5.48 和 9.33 个百分点，性能下降减少 10.78 个百分点，且训练时间显著更少。作者提出 MAGIC，一个免回放的图小样本类增量学习框架：它用冻结的图表示骨干配合闭式解析式持续学习，从基图学习可刻画同质与异质关系的拓扑先验并经 Potts 马尔可夫随机场推断注入以缓解新类过拟合，同时通过漂移感知解析蒸馏把受影响历史节点的旧预测迁移到新表示以缓解表示漂移；在五个数据集、八个基线的实验中，5-shot 下平均准确率与最终准确率分别提升 5.48 和 9.33 个百分点，性能下降减少 10.78 个百分点，且训练时间显著更少。MAGIC 用拓扑先验与漂移蒸馏实现免回放图小样本类增量学习，5-shot 平均准确率提升 5.48 个百分点作者提出 MAGIC，一个免回放的图小样本类增量学习框架：它用冻结的图表示骨干配合闭式解析式持续学习，从基图学习可刻画同质与异质关系的拓扑先验并经 Potts 马尔可夫随机场推断注入以缓解新类过拟合，同时通过漂移感知解析蒸馏把受影响历史节点的旧预测迁移到新表示以缓解表示漂移；在五个数据集、八个基线的实验中，5-shot 下平均准确率与最终准确率分别提升 5.48 和 9.33 个百分点，性能下降减少 10.78 个百分点，且训练时间显著更少。作者提出 MAGIC，一个免回放的图小样本类增量学习框架：它用冻结的图表示骨干配合闭式解析式持续学习，从基图学习可刻画同质与异质关系的拓扑先验并经 Potts 马尔可夫随机场推断注入以缓解新类过拟合，同时通过漂移感知解析蒸馏把受影响历史节点的旧预测迁移到新表示以缓解表示漂移；在五个数据集、八个基线的实验中，5-shot 下平均准确率与最终准确率分别提升 5.48 和 9.33 个百分点，性能下降减少 10.78 个百分点，且训练时间显著更少。