Desarrollamos algoritmos de aprendizaje de gráficos en línea a partir de datos de red en continuo. Nuestro objetivo es rastrear la topología de la red (posiblemente) variable en el tiempo y lograr ahorros de memoria y computación procesando los datos sobre la marcha a medida que se adquieren. La configuración implica observaciones modeladas como señales de gráficos estacionarios generadas por dinámicas de difusión locales en la red desconocida. Además, podemos tener información a priori sobre la presencia o ausencia de algunos bordes como en el problema de predicción de enlaces. La suposición de estacionariedad implica que la matriz de covarianza de las observaciones y el llamado operador de cambio de gráfico (GSO, una matriz que codifica la topología del gráfico) conmutan bajo requisitos leves. Esto motiva la formulación de la tarea de inferencia de topología como un problema inverso, en el que se busca un GSO disperso que sea estructuralmente admisible y que conmute aproximadamente con la matriz de covarianza empírica de las observaciones. Para datos en continuo, dicha covarianza se puede actualizar de forma recursiva, y mostramos que las iteraciones en línea del gradiente proximal pueden utilizarse eficientemente para rastrear la solución variable en el tiempo del problema inverso con garantías cuantificables. Específicamente, derivamos condiciones bajo las cuales el costo de recuperación de GSO es fuertemente convexo y usamos esta propiedad para demostrar que el algoritmo en línea converge dentro de un vecindario de la solución de lote óptima variable en el tiempo. Las pruebas numéricas ilustran la efectividad del enfoque propuesto de aprendizaje de gráficos en adaptarse a la información en continuo y rastrear cambios en la red dinámica buscada.