본 논문은 지속적으로 변화하는 다중 Out-of-Distribution (OOD) 그래프 상에서의 그래프 도메인 적응 문제를 다룹니다. 기존의 그래프 도메인 적응 방법들은 단일 단계 적응에 국한되어 지속적인 도메인 변화에 효과적으로 대처하지 못하고, catastrophic forgetting에 취약합니다. 본 논문에서는 다양한 그래프 도메인에 걸쳐 모델의 지속 가능성과 적응성을 향상시키도록 설계된 Graph Continual Adaptive Learning (GCAL) 방법을 제시합니다. GCAL은 이중 수준 최적화 전략을 사용합니다. "적응(adapt)" 단계에서는 정보 최대화 접근 방식을 사용하여 새로운 그래프 도메인으로 모델을 미세 조정하는 동시에 과거 기억을 재적응하여 망각을 완화합니다. 동시에 정보 병목 이론에서 유도된 이론적 하한선에 따라 안내되는 "기억 생성(generate memory)" 단계는 변이 기억 그래프 생성 모듈을 포함하여 원래 그래프를 기억으로 응축합니다. 광범위한 실험 평가는 GCAL이 적응성과 지식 유지 측면에서 기존 방법을 상당히 능가함을 보여줍니다.
